[发明专利]一种高通量测序的微生物数据处理方法

说明书

本发明公开了一种高通量测序的微生物数据处理方法，其中，所述方法包括：高通量测序的微生物16sRNA读段进行重叠群组装、分箱，以q‑PCR标记微生物重叠群，使所述微生物重叠群包含标记基因，去除含有标记基因的生物重叠群，获得高质量微生物宏基因组测序数据。本发明通过序列聚类等方法鉴定的去除来源于污染物的序列，得到更为高纯度的微生物宏基因组测序数据，保证基于微生物宏转录组测序数据的基因表达结果更为准确。本发明以微生物宏基因组测序数据作为研究对象，基于生物信息学思路，提高微生物宏基因组测序数据的质量。

技术领域

本发明涉及一种高通量测序的微生物数据处理方法，属于高通量测序质量控制领域。

背景技术

下一代测序技术(NGS)又称高通量测序，以高输出量和高解析度为主要特色，能一次并行对几十万到几百万条DNA分子进行序列读取，在提供丰富的遗传学信息的同时，还可以大大降低测序费用，缩短测序时间的测序技术。由于高通量测序技术数据处理量大，处理内容繁杂，因此对于测序质量的控制、污染源的确定与排除成为了一个重要的研究课题。测序质量的影响因素是多方面的，常见的影响因素多数为操作中的误差，跨越日期和组处理数据的批次效应的主要来源已被确定为实验性的，如来自DNA提取试剂盒，PCR批次或测序仪器，而不是生物学。这一问题在“多物种”NGS数据处理中尤为突出，一旦污染和测序，将读数与目标和污染物分开并不是一项简单的任务，即使污染物可以轻松识别。在大多数情况下，目标和污染都没有完整的基因组，这使得分配读数非常具有挑战性。因此迫切需要利用目标物种的有限信息去除环境微生物污染物。

目前已经研究并提出了一些基于相似性或组成信息的分箱程序。然而，互补的上游和下游加工方法需要与重叠群装箱结合以达到更高的灵敏度和特异性。一种有前途的污染物鉴定和过滤解决方案是宏基因组方法，它促进了污染微生物基因组的分类学和功能分析。已经针对基于不同计算方法的可能污染物的分析进行了一些软件研发：SourceTracker，其应用贝叶斯推断方法来估计微生物污染的组成和丰度；DeconSeq，可以通过长读取对齐处理可能来自人类的污染，目前采用上述两种软件并基于重叠群聚类方法，可以成功地区分读数与目标物种和污染物。然而，读取分配的假阳性率仍然很高，并且没有考虑潜在有价值的信息，例如多个样本(具有相似污染物)中某些目标物种的丰度相关性。因此，迫切需要对当前流程进行高级优化。

发明内容

针对现有技术存在的上述问题，本发明的目的是获得一种高通量测序的微生物数据处理方法。

为实现上述发明目的，本发明采用的高通量测序的微生物数据处理方法的技术方案如下：

所述方法包括：高通量测序的微生物16sRNA读段进行重叠群组装、分箱，以q-PCR标记微生物重叠群，使所述微生物重叠群包含标记基因，去除含有标记基因的生物重叠群，获得高质量微生物宏基因组测序数据。

优选的，所述数据处理方法包括如下步骤：

a)通过已公开序列建立模拟数据集，通过高通量测序数据建立真实宏基因数据集；

b)对数据集内数据进行质量控制，去掉低质量的碱基和读段，提取16sRNA基因；

c)采用Parallel-Meta pipeline(version 2.0)软件生成分类学概况，通过HMM从原始测序数据中提取16s rRNA序列，以Greengene数据库搜索序列以确定物种的来源，16sRNA数据搜索物种数量；

d)采用VELVET、MEGAHIT软件进行重叠群组装，使用velvet命令从velveth获得的k-mers构建de Bruijn图并提取重叠群，使用MEGAHIT对de Bruijn图进行汇编；

e)以q-PCR方法标记基因，将含有标记基因的重叠群鉴定为目标物质，对目标物种聚类鉴定，获得去除污染的高质量微生物宏基因组测序数据。