[发明专利]一种宏基因组数据挖掘方法

说明书

本发明涉及一种宏基因组数据挖掘方法，包括以下步骤：1)从KEGG数据库中获取目标代谢途径的全部基因信息，并建立特异性数据库；2)建立目标代谢途径的特异性数据库的映像文件；3)基于获得的目标代谢途径的特异型数据库，对宏基因组测序获得的clean reads进行数据库快速比对，得到各样品的比对结果；4)对各样品的比对结果进行排序、统计和整合；5)对各样品的注释结果进行均一化处理，根据均一化结果进行不同样品间的定量分析。本发明能够快速建立指定代谢途径的特异性数据库用于后续分析，并能够对数据进行均一化和后处理，进而定量化比较不同样品中代谢途径相关基因差异，因而，可以广泛应用于宏基因组数据挖掘领域。

技术领域

本发明属于生物信息学分析领域，特别是涉及一种宏基因组数据挖掘方法。

背景技术

宏基因组测序得到越来越广泛的应用，其数据的挖掘技术不断更新，在宏基因组的生物信息学分析过程中，数据库的使用是后续功能分析的根本。现阶段国内外针对宏基因组数据的分析缺乏特异性，针对特定领域的数据库建设并不完善，分析结果在不同样本之间无法进行定量或半定量分析。传统的分析方法多为：双末端测序→拼接成重叠群(contigs)→开放阅读框(Open reading frame,ORF)注释→数据分析。在这个过程中会损失大量的测序序列。如一般宏基因组双末端测序(5G数据)会得到5000万左右的读条(reads)数量，拼接后一般会获得25万左右的contigs(＞500bp)，而其中可用于ORF注释的contigs约15万左右。以抗生素抗性基因(antibiotic resistance genes,ARGs)的研究为例，最终注释成ARGs的contigs一般为600个左右，无法对不同样品间ARGs的丰度进行定量比较，偏重于定性分析。

现阶段以质控后读条(clean reads)进行直接比对，能够将测序结果充分利用，并且得到的数据量大，能够对样品之间差异进行定量比较。这种研究方法在ARGs的相关研究中已经得到了广泛使用、验证和证实。然而，限制这种方法使用的瓶颈是特异性数据库的建立、分析和使用。现阶段存在的生物信息学数据库的特点是大而冗余，如著名的nr数据库，涵盖了已知的所有功能序列信息；eggnog数据库涵盖了已知的蛋白质序列信息；kegg数据库涵盖了已知的代谢途径、酶功能及序列信息；Cazy是糖代谢中涉及到的功能序列；而特异性功能数据库尚缺乏，如甲烷代谢的数据库、丙酸代谢数据库等；这种特异性小型数据库特别适合于小领域的研究，追求的是精准，如CARD的ARGs数据库、Ncyc的氮循环数据库、VFDB的毒力因子数据库等；这些小领域研究适合的数据库往往存在于大数据库之中，但这种特异性小型数据库的建立，往往如大海捞针，收集起来尤其繁琐。

发明内容

针对上述问题，本发明的目的是提供一种宏基因组数据挖掘方法，该方法能够实现快速高效的特异性数据库的构建，并通过基于reads的结果注释、整合、均一化处理和统计分析，实现不同样本间数据的可量化比较。

为实现上述目的，本发明采取以下技术方案：一种宏基因组数据挖掘方法，其包括以下步骤：

1)从KEGG数据库中获取目标代谢途径的全部基因信息，并建立特异性数据库DB.fasta；

2)建立目标代谢途径的特异性数据库DB.fasta的映像文件；

3)基于获得的特异型数据库DB.fasta，对宏基因组测序获得的clean reads进行比对，得到各样品的比对结果；

4)根据得到的各样品的比对结果以及特异型数据库DB.fasta的映像文件，进行排序、统计和整合；

5)对各样品的比对结果进行均一化处理，根据均一化处理结果进行不同样品间的定量分析。

进一步的，所述步骤1)中，从KEGG数据库中获取目标代谢途径的全部基因信息，并建立特异性数据库DB.fasta的方法，包括以下步骤：