[发明专利]病原体基因组序列数据库系统

权利要求书

1.数据库的构建。本数据库是基于关系数据库模式而构建的。

从总体上来看，在数据库中最终包含的信息有：谱系中各个等级的注释；按照宿主进行划分了的病毒基因组序列(EMBL格式)及其蛋白质产物与结构域的注释；按照病原体种类进行划分了的病原体基因组序列(EMBL格式)及其蛋白质产物与结构域的注释；各基因组序列的CDS、3’UTR、5’UTR、LTR、18s rRNA、5.8s rRNA和28s rRNA(对于细菌来说，后三类除外)序列信息(fasta格式)；细菌的16s rRNA、5s rRNA和23s rRNA序列信息；便于探针设计的序列信息(新fasta格式)。

2.数据采集、分类、加工及重组的实现

1)、谱系注释信息的采集、分类、校正分析及重组。NCBI中提供了一个广泛的、综合的、非冗余的谱系注释信息，因此，我们选择了这个数据库作为谱系分类注释信息的来源。从这个数据库中下载总的谱系注释信息，然后按照病原体的种类进行分类和校正分析，最后将结果存入到数据库中。

2)、前期参考信息的获取。ICTV数据库(international committee ontaxonomy of viruses)提供了一个基于病毒分类信息的病毒描述链接，在此数据库中，将病毒依据宿主种类划分为9种，包括藻类病毒、古细菌病毒、细菌病毒、真菌病毒、非脊椎动物病毒、植物病毒、原生动物病毒、脊椎动物病毒和未分类的病毒，这种按照宿主种类进行划分的信息给我们提供了一种很好的构建病毒库的信息。从ICTV中分别按照宿主种类下载病毒属的物种名信息，并整理成表格，以便于下游病毒库的设计。

从NCBI数据库中下载taxid与其上一级的taxid的关系表nodes.dmp、taxid与其对应的学名及同义字关系表names.dmp、并依据物种分类表(division.dmp)将这两个关系表划分为10类，包括细菌、非脊椎动物、哺乳动物、植物、灵长类动物、啮齿动物、病毒、脊椎动物、环境样本、未分类和综合类。我们对每一个分类的names.dmp和nodes.dmp表进行处理，生成taxid与其对应的所有物种名(包括学名与同义字)之间的关系表taxid.synonym。然后，我们对真菌、细菌的nodes.dmp与names.dmp表进行如下处理：从nodes.dmp中查找得到属以下等级的taxid，并进行此taxid对应的属和种的信息的查找。在此过程中，我们获得了每个分类下属以下等级的taxid和学名与其对应的属和科的taxid和学名之间的关系表taxid.family。

3)、病毒库的构建。依据ICTV库的信息，将病毒库中的序列信息依据宿主种类划分为9种，以便于下游的信息下载和分析。

由于ICTV的数据更新比NCBI中的数据更新慢，所以，首先我们需要依据NCBI中的信息对ICTV中属的信息进行校正，步骤如下：将ICTV中获得的属的物种名信息按照宿主进行分类，对每个分类进行如下处理：依据names.dmp对这些信息进行校正，最终校正的属的学名以names.dmp中的名称为准，同时生成属的taxid与属的学名之间的关系表；依据nodes.dmp对属的taxid进行分支信息的查找，即查找各属以下等级的物种信息，并生成taxid和其学名与其所对应的属的taxid和学名之间的关系表。在此过程中，我们获得了按照宿主进行分类了的所有病毒的taxid和学名及其对应的属的taxid和学名之间的关系表taxid.genus。

然后，从EMBL中下载得到病毒的基因组序列(EMBL格式)，然后依据文件中的taxid信息和关系表taxid.genus将病毒按照宿主划分为9种，并将其各自存入到ourDB中。在此过程中，我们还将基因组序列通过Pfam数据库进行蛋白质产物和结构域的注释，并将此注释信息也存入到ourDB中。随后，我们对各类病毒基因组序列进行如下处理：依据关系表taxid.genus和文件中的taxid信息对基因组序列中的信息进行提取，将提取到的信息划分为CDS、3’UTR、5’UTR、LTR四类，并以fasta格式存入到ourDB中。在此过程中，我们还发展了一种适合于下游探针设计的序列格式，并将其也存入到数据库中，序列格式以fasta格式为基础，但在“＞”后主要包含以下信息：taxid对应种的学名信息、taxid对应属的学名信息及序列本身的taxid，这种序列格式有助于在下游从种上进行病毒诊断检测的生物芯片的探针设计。

4)、便于下游探针设计的细菌16s rRNA库的构建。从RDP库中下载得到细菌的16s rRNA序列信息(fasta格式)并将其存入到ourDB中，此信息分为两类：古细菌和真细菌。我们从此fasta格式的文件中提取出每条序列所对应的物种名，并与细菌的taxid.synonym表中的各个名字进行匹配，并在此过程中依据细菌的taxid.family表进行序列信息的处理，最后生成新fasta格式的文件，在“＞”后主要包含以下信息：taxid对应的属的学名信息、taxid对应的科的学名信息、序列本身的taxid和原文件中的头部信息，将这种新fasta格式的文件同样存入到ourDB中。这种序列格式有助于在下游从属上进行细菌诊断检测的生物芯片的探针设计。

5)、真菌、原生动物，寄生虫及细菌的基因组序列的采集、加工及重组。首先，我们从EMBL，PlasmoDB，GiardiaDB和EuPathDB中下载得到各个病原体的基因组序列数据，然后我们对这些数据进行合并、去冗余和分类，再将按照病原体种类进行划分了的基因组数据各自存入到ourDB中，在此过程中，我们同样的将基因组序列通过Pfam数据库进行蛋白质产物和结构域的注释，并将此注释信息也存入到ourDB中。随后，我们对各个分类了的基因组序列进行如下处理：对基因组序列中的信息进行提取，将提取到的信息划分为CDS、3’UTR、5’UTR、LTR、18s rRNA、5.8s rRNA和28s rRNA八类(对于细菌来说，后三类除外)，并以fasta格式存入到ourDB中；对细菌的基因组序列中的信息进行提取，将提取到的信息划分为两类5s rRNA和23s rRNA，将这些信息与上游的细菌的16s rRNA序列信息进行合并，并以fasta格式存入到ourDB中；依据各病原体种类的taxid.family表，在此过程中发展了一种适合于下游探针设计的序列格式，并将其也存入到ourDB中，序列格式以fasta格式为基础，但在“＞”后主要包含以下信息：taxid对应的属的学名信息、taxid对应的科的学名信息及序列本身的taxid，这种序列格式有助于在下游从属上进行病原体诊断检测的生物芯片的探针设计。

3.数据查询和管理功能的实现。利用perl和CGI(公用网关接口)技术开发一个可通过web对数据库进行查询的系统，并动态生成界面友好的查询页面。用户可以通过网页浏览器实现数据的访问、查询、分析和下载等功能。