[发明专利]多物种未出现k-mer子序列计算和特征分析方法及系统

权利要求书

1.一种多物种未出现k-mer子序列计算和特征分析方法，其特征在于，所述方法包括：

步骤1、获取原始的物种全基因组数据，提取序列数据，并获得反向互补链数据，所述序列数据与反向互补链数据构成预处理数据；

步骤2、基于所述预处理数据，进行不同k值长度下的未出现k-mer子序列计算；

步骤3、对多个物种的全基因组数据，进行多物种之间，相同k值长度下共同未出现k-mer子序列的计算；

步骤4、基于步骤2中未出现k-mer子序列以及步骤3中共同未出现的k-mer子序列数据结果，进行特性分析；

所述步骤4进一步包括：

步骤401、分析首次出现LAUPs的k值大小，得到首次出现的k值阈值范围，并将该阈值范围作为后续计算中的k值阈值；

步骤402、对所述步骤2中计算出的未出现k-mer子序列的GC含量和嘌呤含量进行统计；

步骤403、比较未出现k-mer子序列与出现的k-mer子序列的GC含量与AT含量之间、嘌呤含量和嘧啶之间的差异显著性。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中的预处理数据，将序列数据以及反向互补链数据合并成为一个数据文件。

3.根据权利要求1所述的方法，其特征在于，所述步骤2进一步包括：

步骤201、在不同k值长度下，计算同一个物种已出现k-mer结果；

步骤202、依据k的长度，枚举出所有可能的基因序列排列；

步骤203、将所述步骤202中获得的基因序列排列中的每一个排列，在步骤201中获得的已出现k-mer结果中进行查找，当一排列在已出现k-mer结果中未找到，则将其记为未出现的k-mer排列。

4.根据权利要求3所述的方法，其特征在于，所述步骤201进一步包括：

步骤2011、在计算物种已出现k-mer结果中，无论序列排列出现多少次，均只记为出现一次；

步骤2012、对同一个数据进行多个k值的计算，直至完成同一个物种已出现k-mer结果的计算。

5.根据权利要求1所述的方法，其特征在于，所述步骤3进一步包括：

在获取了多个步骤2得到的多个物种的未出现k-mer子序列的基础上，计算多个物种的共同未出现k-mer子序列的计算，具体采用如下方式：

其中，CommonLAUPs代表多个物种共同拥有的未出现k-mer子序列，i代表物种的序号，k代表k-mer长度，代表物种i在k值长度下的未出现k-mer排列，N指物种的总数。

6.根据权利要求1所述的方法，其特征在于，所述步骤4还包括：

步骤404、对未出现k-mer子序列进行Motif发现分析，获取该些子序列中可能存在的频繁模式。

7.根据权利要求1所述的方法，其特征在于，所述步骤402中GC含量和嘌呤含量通过以下方式进行统计：

其中，k表示k值的长度，num()函数代表在k长的序列中某种碱基的计数。

8.一种多物种未出现k-mer子序列计算和特征分析系统，其特征在于，所述系统包括：

数据预处理模块，用于获取原始的物种全基因组数据，提取序列数据，并获得反向互补链数据，所述序列数据与反向互补链数据构成预处理数据；

同物种计算模块，用于基于所述预处理数据，进行同一物种不同k值长度下的未出现k-mer子序列计算；

多物种计算模块，用于对多个物种的全基因组数据，进行多物种之间，相同k值长度下共同未出现k-mer子序列的计算；

特性分析模块，用于基于所述同物种计算模块获得的未出现k-mer子序列以及所述多物种计算模块获得的共同未出现的k-mer子序列的数据结果，进行特性分析；

所述特性分析模块进一步包括：

差异显著性计算单元，用于比较未出现k-mer子序列与出现的k-mer子序列的GC含量与AT含量之间、嘌呤含量和嘧啶之间的差异显著性。

9.根据权利要求8所述的系统，其特征在于，所述特性分析模块还包括：

频繁模式计算单元，用于通过Motif发现方式，获取未出现k-mer子序列中可能存在的频繁模式。