[發明專利]一種微生物識別方法及系統

在審

• 申請號: 201610237920.4
• 申請日: 2016-04-15
• 公開（公告）號: CN107301329A
• 公開（公告）日: 2017-10-27
• 發明（設計）人: 王俊寧
• 申請（專利權）人: 澤塔生物科技（上海）有限公司
• 主分類號: G06F19/22
• 分類號: G06F19/22;G06F19/24;G06F19/28
• 代理公司: 上海驍象知識產權代理有限公司31315
• 代理人: 趙俊寅

技術領域

本發明涉及一種基于基因組的物種分析技術，特別是一種微生物識別方法及系統。

背景技術

已有的微生物研究方法需要先對微生物進行分離培養，但是據估計只有大約1％的原核微生物能夠在實驗室中培養。已有的微生物識別(Microorganisms Identification)系統均為基于生物化學反應或化學成分分析的原理，沒有基于基因組學分析的系統方法。傳統方法對微生物識別的分辨率低，依靠有限的生物化學反應或者有限的成分組合在較多的場合無法區分不同的微生物，傳統的方法研究微生物具有很大的局限性。

隨著各種微生物基因組的測定，利用微生物基因組序列作為標準材料進行物種識別成為可能。盡管已經有理論證明，平均核酸匹配度(Average nucleotide identity，ANI)距離或者(in silico DNA–DNA hybridization,isDDH)值等指標可以作為確定物種判別性的科學依據。但是因其計算效率低，只能就給定的2個數據樣本進行比較計算,無法作為實用的“數據庫搜索”方法使用。因此，判別性的距離計算需要和一個能快速在基因組數據庫中搜索，得到數據庫中距離最近記錄的方法結合。

搜索核酸序列遺傳距離的方法可以用來測量遺傳多樣性以及推斷其是否近緣或最近共同祖先，乃至推斷其是否同一物種。對于給定的一個核酸序列集合，找到與查詢序列距離最近元素目前主要是使用基于序列比對(Sequence alignment)的方法，通過比對結果進行打分，從而計算序列兩兩之間的距離，得到距離矩陣，從而進行距離判斷。

現有方法在同一物種之間(genetic divergence較小)，核酸序列長度較短(如病毒基因組片段)，序列數量較少的時候具有可以接受的性能。而當序列較長(如細菌全基因組)，序列數量較多(千級，萬級乃至更多)，遺傳距離較大(不同物種之間)時，性能下降嚴重。隨著基因組序列數據(庫)容量的增多，目前的方法學的性能無法滿足應用需要。

發明內容

針對現有技術存在的上述問題，本發明的目的在于提供一種微生物識別方法及系統，使得給定的查詢基因組能夠在短時間并消耗較少計算資源的情況下快速在萬級或更多的微生物全基因組序列中命中遺傳距離最短的記錄，并且準確判斷查詢基因組序列是否和命中記錄為同一屬種。

本發明提供了一種微生物識別方法，包括以下步驟：

步驟一，輸入待檢測微生物的全基因組序列；

步驟二，計算上述全基因序列的特征向量，將上述特征向量與數據庫中預存的特征向量進行距離計算和排序定位，搜索并收斂至記錄數少于等于預設數量為止；

步驟三，對搜索得到的一組同輸入序列距離最近的記錄，進行平均核酸匹配度指標ANI/isDDH和序列比對長度比例的計算，用于判斷該待測微生物的屬種或亞種。

優選地，所述步驟二中的序列特征為基因組DNA的k-mer頻數。

優選地，所述步驟二中的距離為空間距離。

優選地，所述步驟二還包括以下步驟：

根據輸入特征向量同預存特征向量計算距離迭代縮小搜索空間，收斂至距離最小的若干記錄；

搜索過程中使用不同的k值同預存或實時計算的向量進行距離計算；k-mer頻數根據需要進行均一化處理。

本發明還提供了一種微生物識別系統，包括輸入裝置、計算裝置、比較裝置、輸出裝置和數據庫，所述輸入裝置用于錄入數據，所述計算裝置用于計算數值、搜索和排序定位，所述比較裝置用于比較計算值與預設值之間的大小關系，所述輸出裝置用于輸出結果，所述數據庫用于存儲數據。

優選地，所述數據庫設有基因組序列子數據庫。

優選地，所述數據庫設有基因組序列衍生結構注釋和功能注釋信息子數據庫。

優選地，所述數據庫設有基因組元信息子數據庫。

優選地，所述數據庫設有基因組序列衍生特征子數據庫。

優選地，所述基因組序列子數據庫用于保存單個微生物分離株的全基因組序列拼裝。

綜上所述，本發明具有以下優點：

本發明本發明提供數據庫系統以保存參考基因組記錄，管理方便。特征計算可僅在記錄插入時進行一次，無需每次查詢時進行反復計算，提高了查詢效率并降低了查詢時的計算開銷。本識別方法效率高，計算開銷小，運行周期短，并可以得到確定的微生物屬種識別依據。同時魯棒性強，隨機刪除輸入基因組序列50％甚至更多的成分之后亦能得到可靠結果輸出。且本方法可不依賴特定的遺傳標記(如16S rRNA基因等)。

附圖說明