[发明专利]一种构建抗生素抗性基因数据库的方法

说明书

本发明公开了生物技术领域的一种构建抗生素抗性基因数据库的生物信息学方法，该方法包括在基因数据库(GenBank)搜索抗性基因的蛋白序列；选择高度精确的序列作为初始序列；采用ClustalW方法比对；构建隐马尔可夫模型并搜索GenBank蛋白数据库，得到全部包含蛋白保守位点的序列；根据序列的E值和GenBank数据库中序列的注释信息，去除高度同源和不符合要求的序列；删除重复序列后添加物种注释信息；整合所有蛋白序列，完成数据库的构建。该方法能够综合衡量序列的注释信息和比对相似性，提高序列收集的速度和准确性。利用本发明提供的方法，可以完成抗生素抗性基因数据库的构建，为研究抗性基因的引物设计、数据分析和序列注释提供基础数据。

技术领域

本发明涉及生物技术领域，具体涉及一种基于蛋白保守位点的隐马尔可夫模型建立抗生素抗性基因数据库的生物信息学方法。

背景技术

目前构建抗生素抗性基因数据库的方法主要是根据抗性基因的名字或其他相关信息直接从GenBank数据库中搜索提取抗性基因序列，然后进行删除过滤，如抗生素抗性基因数据库ARDB(Antibiotic Resistance Database：Liu,B.and Pop,M.2009.ARDB-Antibiotic Resistance Genes Database.Nucleic Acids Research 37,D443-D447)和CARD(Comprehensive Antibiotic Resistance Database：Yan,M.,Yu,T.and Wright,G.D.2013.The Comprehensive Antibiotic Resistance Database.AntimicrobialAgents and Chemotherapy 57(7),3348-3357)等的构建；但是该方法依赖于GenBank数据库中序列的注释信息，可能由于注释信息的不准确而导致收集数据的偏差。或者通过BLAST的方法从已有数据库中比对搜索提取相似度高的抗性基因序列，如LacED(LactamaseEngineering Database：Thai,Q.K.,Boes,F.and Pleiss,J.2009.The LactamaseEngineering Dataa critical survey of TEM sequences in publicdatabases.Bmc Genomics 10)数据库是根据一条精确蛋白序列采用BLAST搜索GenBank数据库中相似度高的序列(E值小于10-120)；该方法基于序列进行搜索，忽略了序列对应的注释信息，也可能存在收集序列的偏差。因此，我们考虑综合利用序列的注释信息和序列的相似性进行抗生素抗性基因序列的筛选和收集。

隐马尔可夫模型是一种概率模型，它的优势在于能能够从可观察的参数中确定该过程的隐含参数，比如通过高度精确的蛋白序列比对确定其关键保守位点，实现统计意义上的比对。相对常规的比对方法，如BLAST，能够实现多序列的比对，且同时具有更快的比对速度和更高的比对准确性。

发明内容

针对目前抗生素抗性基因数据库构建过程中可能带来的序列偏差问题，本发明首次提出，根据隐马尔可夫模型，识别蛋白序列的关键保守位点，并搜索、筛选、确定基因蛋白序列的关键技术，主要目的是提供一种构建抗生素抗性基因数据库的构建方法。

本发明提供的抗生素抗性基因数据库构建方法，包括以下步骤：

(1)在基因数据库(GenBank)搜索抗生素抗性基因对应的蛋白序列；

(2)选择具有精确注释信息和目标片段长度的无重复蛋白序列作为初始序列；

(3)采用ClustalW方法对初始蛋白序列进行多序列比对；

(4)以比对完成的序列构建该基因的蛋白保守位点隐马尔可夫模型，搜索GenBank蛋白数据库，得到全部具有该抗性基因蛋白保守位点的蛋白序列；