[发明专利]一种基于高通量测序数据的枯萎病发病预测模型及应用

权利要求书

1.一种基于高通量测序数据的枯萎病发病预测模型，其特征在于，包括以下步骤：

步骤1：数据收集：使用关键词从数据库中获取枯萎病相关的土壤微生物群落的测序样品登录号，进而获取枯萎病相关的土壤微生物群落的原始测序数据；

步骤2：数据处理：将土壤微生物群落的测序数据分为细菌原始测序数据和真菌原始测序数据，分别进行处理和分析；

步骤3：将土壤中的细菌群落和真菌群落作为生物标志物来区分枯萎病发病土壤和健康土壤，应用机器学习模型随机森林RF对区分枯萎病发病土壤和健康土壤的细菌群落和真菌群落分别建立分类模型：

步骤3-1：构建用于区分枯萎病发病土壤微生物群落和健康土壤微生物群落的细菌模型：

使用随机森林创建分类模型，利用版本号为v.4.6-14的RF软件包中的randomForest函数构建随机森林模型并设置参数ntree＝1000，其他参数保持默认，将细菌群落组成的相对丰度按门、纲、目、科、属、种和OTU等级别进行建模，获得最佳预测模型的细菌分类级别；

对于每个细菌群落分类级别，将所有整合得到的细菌测序样本随机分为两部分，一部分占全部样本的三分之二，用于模型构建，另一部分占总样本三分之一，用于细菌模型预测，这个过程重复五次，通过模型预测数据评估最佳模型，从而获得预测准确率最高的用于建模的细菌分类级别；

在准确率最高的分类级别上，将步骤2中的整合的全部细菌原始测序数据组成训练集，使用相同的模型并设置相同的参数继续训练模型，进而优化所生成的预测枯萎病发病的细菌模型；

通过交叉检验提取出来对模型影响最大的若干个OTU。

步骤3-2：构建用于区分枯萎病发病土壤微生物群落和健康土壤微生物群落的真菌模型：

利用R语言中的版本号为v.4.6-14的RF软件包中的randomForest函数构建随机森林模型并设置参数ntree＝1000，其他参数保持默认，将真菌群落组成的相对丰度按门、纲、目、科、属、种和OTU等级别进行分类建模，获得最佳预测模型的真菌分类级别；

对于每个真菌群落分类级别，将所有整合得到的真菌测序样本随机分为两部分，一部分占全部样本的三分之二，用于模型构建，另一部分占总样本三分之一，用于真菌模型预测，这个过程重复五次，通过模型预测数据评估最佳模型，从而获得预测准确率最高的用于建模的真菌分类级别；

在准确率最高的分类级别上，将步骤2中的整合的全部真菌原始测序数据组成训练集，使用相同的模型并设置相同的参数继续训练模型，进而优化所生成的预测枯萎病发病的真菌模型。

通过交叉检验提取出来对真菌模型影响最大的若干个OTU。

2.根据权利要求1所述的基于高通量测序数据的枯萎病发病预测模型，其特征在于，所述步骤1中的关键词包括枯萎病发病和健康土壤的微生物群落、枯萎病土壤微生物结构。

3.根据权利要求1所述的基于高通量测序数据的枯萎病发病预测模型，其特征在于，所述步骤3中的细菌模型和真菌模型分别包含45个细菌OTU和40个真菌OTU的分类及丰度信息。

4.根据权利要求1所述的基于高通量测序数据的枯萎病发病预测模型，其特征在于，所述步骤2中对测序数据的处理和分析具体包括：拼接双端原始测序数据，过滤低质量序列，并基于参考数据库聚类操作分类单元OTU，将OTU分配到微生物门类信息。

5.根据权利要求4所述的基于高通量测序数据的枯萎病发病预测模型，其特征在于，所述参考数据库包括细菌参考数据库Greengene V 13.5和真菌参考数据库Unite。

6.一种基于权利要求1-5任一的基于高通量测序数据的枯萎病发病预测模型在土壤枯萎病发病预测中的应用。