[發(fā)明專利]對(duì)核酸序列進(jìn)行聚類的方法、設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201810011494.1
• 申請(qǐng)日: 2018-01-05
• 公開(kāi)（公告）號(hào): CN110111843B
• 公開(kāi)（公告）日: 2021-07-06
• 發(fā)明（設(shè)計(jì)）人: 徐煜;朱鈳銳
• 申請(qǐng)（專利權(quán)）人: 深圳華大基因科技服務(wù)有限公司
• 主分類號(hào): G16B30/00
• 分類號(hào): G16B30/00;G16B40/00
• 代理公司: 北京清亦華知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11201
• 代理人: 趙天月

本發(fā)明涉及一種對(duì)多個(gè)核酸序列進(jìn)行聚類的方法、設(shè)備以及計(jì)算機(jī)設(shè)備和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。所述方法基于所述多個(gè)核酸序列之間的距離，對(duì)所述多個(gè)核酸序列進(jìn)行分類，以便獲得初始簇集合，基于初始簇集合中所包含核酸序列的數(shù)目，確定優(yōu)化起始簇；然后基于所述核酸序列的測(cè)序質(zhì)量以及所述優(yōu)化起始簇所包含所述核酸序列的數(shù)目，確定所述優(yōu)化起始簇的歸屬序列數(shù)目以及歸屬概率，從而進(jìn)一步確定錯(cuò)誤簇，使得錯(cuò)誤簇從所述初始簇集合中排除，以便獲得經(jīng)過(guò)優(yōu)化的所述初始簇集合。在此基礎(chǔ)上進(jìn)一步提供了對(duì)核酸序列進(jìn)行聚類的設(shè)備、計(jì)算機(jī)設(shè)備和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。采用本發(fā)明的方法和設(shè)備可以有效減少聚類分析的誤差，從而應(yīng)用到特定功能序列的分析中。

技術(shù)領(lǐng)域

本發(fā)明涉及基因測(cè)序領(lǐng)域，具體涉及一種對(duì)核酸序列進(jìn)行聚類的方法、設(shè)備以及計(jì)算機(jī)設(shè)備和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

物種分析是微生物群落分析的重要方法。其在于利用一定的生化或分子標(biāo)記，對(duì)微生物群落的組成和結(jié)構(gòu)做出判斷。16S rRNA是原核生物核糖體RNA的一個(gè)亞基，由于其序列具有很高的保守性，常用于作為物種鑒別的標(biāo)記性基因。在物種分析過(guò)程中，考慮到一些物種的基因組/16S序列是未知的，在技術(shù)上學(xué)術(shù)界普遍采用聚類的手段進(jìn)行分析，認(rèn)為距離小于一定閾值的序列來(lái)自同一個(gè)分類單元(可以是門(mén)，綱，目，科，屬，種或其他級(jí)別的分類單元)，這些通過(guò)聚類得到的分類單元稱為可操作分類單元(operational taxonomyunit,簡(jiǎn)稱OTU)。

利用16S rRNA進(jìn)行物種分析，可以選擇使用其全部序列或部分標(biāo)志性序列進(jìn)行。傳統(tǒng)上，由于受技術(shù)手段的限制，用16S進(jìn)行物種分析多局限在利用16S的一個(gè)或幾個(gè)高變異的區(qū)域(hypervariable region，HVR)進(jìn)行分析。由于部分序列并不能完全代表16S基因的整體序列信息，所獲得的信息不全面，從而會(huì)影響物種分析的結(jié)果。

因此對(duì)特定序列的聚類分析方法還有待改進(jìn)。

發(fā)明內(nèi)容

本發(fā)明旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問(wèn)題之一，即針對(duì)核酸序列進(jìn)行聚類分析的方法進(jìn)行改進(jìn)。本發(fā)明基于第三代測(cè)序技術(shù)的基礎(chǔ)，提出了一種新的聚類方法，從而減少測(cè)序過(guò)程中出現(xiàn)的錯(cuò)誤，應(yīng)用于物種或者樣品的特應(yīng)性序列的聚類分析。可以對(duì)不同的核酸序列進(jìn)行聚類分析，所述核酸序列可以是經(jīng)過(guò)測(cè)序得到的新的序列，也可以是基因庫(kù)中已有的核酸序列等等，通過(guò)聚類分析，可以應(yīng)用在物種的歸屬和豐度分析中。例如，采用本發(fā)明提供的方法，可以利用全長(zhǎng)16S rRNA進(jìn)行物種分析，可以極大的降低錯(cuò)誤分析的概率，減少偏差。

本發(fā)明的發(fā)明人在研究過(guò)程中發(fā)現(xiàn)：對(duì)于同一個(gè)樣品，聚類產(chǎn)生和OTU的數(shù)量會(huì)隨著測(cè)序量的增加而增加，而增加的部分中大多數(shù)為假陽(yáng)性；而且當(dāng)用于聚類的序列較長(zhǎng)時(shí)，聚類的中心與樣品物種的真實(shí)中心相差較大。這些情況主要是由于在聚類的過(guò)程中沒(méi)有將測(cè)序錯(cuò)誤考慮進(jìn)去，從而使得物種分析的結(jié)果出現(xiàn)偏差。

而如果不將測(cè)序錯(cuò)誤考慮進(jìn)去，在對(duì)測(cè)序序列進(jìn)行聚類分析歸類的過(guò)程中，會(huì)降低結(jié)果的準(zhǔn)確性。尤其是當(dāng)測(cè)序量增大時(shí)，就會(huì)有大量假陽(yáng)性樣本的發(fā)生，而且當(dāng)聚類序列較長(zhǎng)時(shí)，聚類中心就會(huì)存在偏差。

為此，本發(fā)明的一個(gè)目的在于提出一種對(duì)核酸序列進(jìn)行聚類的方法，用來(lái)解決聚類中心偏差，聚類分析錯(cuò)誤的問(wèn)題，尤其是用來(lái)解決當(dāng)進(jìn)行聚類分析的序列較長(zhǎng)時(shí)，測(cè)序誤差影響較大帶來(lái)聚類偏差的問(wèn)題。

根據(jù)本發(fā)明的一方面，本發(fā)明提供了一種用于對(duì)多個(gè)核酸序列進(jìn)行聚類的方法。根據(jù)本發(fā)明的實(shí)施例，所述用于對(duì)多個(gè)核酸序列進(jìn)行聚類的方法包括以下步驟：

(1)基于所述多個(gè)核酸序列之間的距離，對(duì)所述多個(gè)核酸序列進(jìn)行分類，以便獲得初始簇集合，所述初始簇集合由多個(gè)簇構(gòu)成；

(2)基于所述初始簇集合中所述簇所包含核酸序列的數(shù)目，確定優(yōu)化起始簇；

(3)基于所述核酸序列的測(cè)序質(zhì)量以及所述優(yōu)化起始簇所包含所述核酸序列的數(shù)目，確定所述優(yōu)化起始簇的歸屬序列數(shù)目；