[发明专利]一种生物信息数据库注释方法及系统

说明书

本发明公开了一种生物信息数据库注释方法，包括以下步骤：建立一个数据过滤脚本池；建立一个包含多个数据库的数据库池；接收输入数据并进行初始化通过数据库池匹配数据库；根据数据库匹配判断输入数据是否标准；若不标准则通过数据过滤脚本池进行数据标准化；若标准，则进行数据注释步骤后返回；还公开了一种生物信息数据库注释系统。可以自动化的完成大量生物信息数据库的下载、安装以及相应注释工作，通过引入数据库池、数据过滤脚本池、数据注释函数库来大大提高基因注释的效率和灵活度；通过整合多个数据库集合，可以大大方便人们开展相关生物信息数据注释工作。

技术领域

本发明涉及生物信息数据库技术领域，尤其涉及一种生物信息数据库注释方法及系统。

背景技术

生物信息数据库资源经过几十年的飞速发展，种类和功能已经变得越来越强大。综合性数据库：如NCBI有核酸、蛋白、基因名、基因组名等等的搜索工具、PUBMED文献数据库，Taxonomy数据，COG蛋白家族库等等；Genome Browser：如UCSC、EnsEMBL提供了大量的基因组相关数据库；Ontology/Pathway：如DAVID整合了诸如GO(Gene Ontology)、KEGG、基因ID信息等大量数据库来进行生物信息挖掘。基因变异注释工具：如ANNOVAR整合了近50种与基因变异相关的数据库，极大的方便了基因组学数据的注释工作。

目前，大量的生物信息数据库已经极大地便利了人们开展相关工作。不过，在使用这些数据库过程中，仍然存在以下几个难点和困难：

1)输入数据与参考数据的兼容性问题。由于输入数据的来源、格式是多样的、参考数据库的格式也可能有多种格式如纯文本文件、类SQL数据库等，如果要进行相关注释和分析，必须对输入数据以及参考数据库进行标准化，在此之前，主要是用户通过自己编写转换脚本或人工手动调整，并没有一套系统、完整的数据过滤器，来匹配各类输入数据和参考数据库。

2)注释工具的单线程模式不太适合于大数据分析。目前，相当多的数据注释工具仍然采用单线程或单一数据流格式进行注释，与目前主流的计算机集群计算以及海量数据的需求不配套。

3)数据库来源分散，如果需要进行多种数据注释需要进行多次操作，极大地拖慢了数据注释的时间，拉长了数据分析的周期。

4)只有少量数据库注释工具拥有整合自有数据库的功能，另外，各类工具整合自有数据的灵活度大都不太高。

发明内容

鉴于目前存在的上述不足，本发明提供一种生物信息数据库注释方法，能够解决以上问题。

为达到上述目的，本发明的实施例采用如下技术方案：

一种生物信息数据库注释方法，所述生物信息数据库注释方法包括以下步骤：

建立一个数据过滤脚本池；

建立一个包含多个数据库的数据库池；

接收输入数据并进行初始化通过数据库池匹配数据库；

根据数据库匹配判断输入数据是否标准；

若不标准则通过数据过滤脚本池进行数据标准化；

若标准，则进行数据注释步骤后返回。

依照本发明的一个方面，所述建立一个包含多个数据库的数据库池包括：整合ANNOVAR已有数据库和公共数据库形成数据库池。

依照本发明的一个方面，所述建立一个包含多个数据库的数据库池包括：下载和安装数据库池中的数据，并生成相应数据库的元信息进行管理和更新。

依照本发明的一个方面，所述进行数据注释步骤后返回包括：使用数据注释函数库中对应的注释函数对数据进行注释，并根据用户输入的其他参数返回数据。