[发明专利]微生物群中物种的关联性挖掘方法

说明书

本发明提供了一种微生物群中物种的关联性挖掘方法，其中所述方法包括：首先，对微生物群落DNA进行高通量测序，计算测序数据得出物种组成和丰度分布；然后，通过Loose Definition方法扩大物种间相关关系候选范围；最后，挖掘间接关系、线性关系和非线性关系。相较于现有技术，本发明能够更好的还原微生物网络，以便于从系统层面研究微生物共出现网络，为发现关键物种间未知的相关关系做铺垫。

技术领域

本发明涉及生物信息技术领域，尤其涉及一种微生物群中物种的关联性挖掘方法及装置。

背景技术

微生物生活在生物圈的每一个角落，包括土壤、海洋、热泉等等。他们的适应能力非常强，而且无论他们在哪，都是作为一个群落生活在一起的。微生物是生态系统中生物地球化学循环的关键，并且在传统食品等生物技术、饮料制备、以及以基因工程为基础的现代技术都有重要的应用。微生物的研究在过去的十几年里经历了一个转变。宏基因组学，即对一群微生物进行基因组分析，已经成为一种强有力的方法。我们不再主要关注单一培养微生物，而是更多地关注微生物群落，重点分析微生物的种类组成、功能、物种间的相互作用等。在这些研究中，发现和量化物种间的联系是弄清群落的分类和功能结构的最重要的问题。

许多微生物通过相互作用而共存，并有效地发挥各种功能(Hurwitz,B.L.,etal.Modeling ecological drivers in marine viral communities using comparativemetagenomics and network analyses.Proceedings of the National Academy ofSciences of the United States of America 2014；111(29):10714-10719.)。细菌共出现网络作为分析微生物群落结构的最有用的工具之一，发展的越来越快。它们为研究物种间的相互作用提供了新的方法和生物学见解。然而由于目前对群落结构认识不足，而且宏基因组学数据量也变得越来越大，传统的网络分析不足以恢复细菌群落中的真实关系(Weiss,S.,et al.Correlation detection strategies in microbial data sets varywidely in sensitivity and precision.The ISME journal 2016；10(7):1669-1681.)。在微生物群落中，两个物种之间的关系受到各种各样的影响(例如生态龛位的重叠，两个物种同时受第三个物种的影响)，导致微生物网络变得异常复杂。因此，找出复杂而重要的联系(例如，在细菌群落中探索物质或元素的循环过程)对传统方法越来越具有挑战性。

发明内容

针对现有技术存在的上述问题，本发明实施例提供了一种微生物群中物种的关联性挖掘方法，步骤为：

S1采集微生物群DNA样本数据；

S2对所述微生物群DNA样本数据进行高通量测序，得到测序数据；

S3采用MOthur和Qiime生物信息学工具计算所述测序数据，得出物种组成和丰度分布数据；

S4使用Loose Definition法处理物种组成和丰度分布数据；

S5构建相关关系网络；

S6利用cytoscape软件进行相关关系网络可视化，使用MCODE聚类来检测潜在的聚类，得到物种相关关系网络图；

S7分析相关关系网络图，得出微生物群中物种的关联性。

其中，步骤S4具体为：

S41将所述物种组成和丰度分布数据转化为二进制数据；

S42通过二进制数据，计算共出现概率；

S43设定共出现概率的阈值；