[发明专利]一种基于matK基因的未知植物物种识别数据库的构建方法及数据库

说明书

一种基于matk基因的未知植物物种识别数据库的构建方法及数据库，所述方法包括步骤：获取含有matk基因的原始序列数据文件；提取所述原始序列数据文件中的物种注释信息；将所述物种注释信息整合至所述matK基因上，以得到matK序列；对所述matk序列进行质量控制；根据所述matk序列之间的相似性进行聚类；根据聚类结果构建所述数据库。本申请提供的一种基于matk基因的未知植物物种识别数据库的构建方法及数据库优点为：(1)检测通量高；(2)高灵敏度和选择性；(3)该方法所构建的数据库覆盖面广、数据质量高、信息全面；(4)可以利用生物信息学方法在物种的水平上确定未知物种。

技术领域

本发明属于植物物种鉴定领域，具体涉及一种基于matk基因的未知植物物种识别数据库的构建方法及数据库。

背景技术

matK基因存在于叶绿体赖氨酸trnK基因内，且位于高度保守的两个外显子中间的内含子中，是单拷贝的编码基因，参与编码转录本内被II型内含子剪切的成熟酶，进化速度介于rbcL和ITS之间，在科、属水平上具有较高的物种鉴定能力。2009年，matK基因和rbcL基因一起被生物条形码联盟(CBOL)以测序质量、物种鉴定效率和通用性为衡量标准推荐成为植物DNA条形码相关研究的核心DNA条形码。

尽管matk基因有着较出色的物种鉴定效率、通用性以及测序质量，但由于其扩增的引物通用性较差，导致在不同类群中使用matk基因通常需要使用不同的引物。李德铢等人采用单一的引物在6,286个样品里的PCR扩增效率仅仅为79.5％，是全部DNA条形码候选序列中PCR扩增效率最低的，而采用16对引物组合来对matK基因进行PCR扩增，其扩增效率为91.2％。

目前，大部分基于样本研究的植物DNA条形码研究项目都使用两类方法。第一类是针对单个或多个质体区域进行研究，比如研究非编码间隔区的DNA条形码trnH-psbA和蛋白质编码DNA条形码，也被称为“核心条形码”的rbcL基因和matk基因；第二类方法则是针对属于细胞核核糖体的DNA内部转录间隔区域进行研究，这一类研究可以选择整个ITS区域或只选择ITS2区域。而对于以混合模板或者被降解过的DNA为目标的植物研究，则通常情况下使用质体trnL内含子的P6环进行研究，由于其长度较短且具有保守的引物序列，因此，非常适合经下一代测序技术进行短读测序和扩增。

由于DNA稳定存在于个体的所有组织中，且不受外界因素的影响，可以准确地在物种水平上鉴定物种。目前，DNA条码在发现新的物种、调查植物区系领域、重建历史植被类型、研究群落系统、辅助执法部门等领域均有应用。目前，已经有一系列生物标志物被应用于物种鉴定，如matk、trnL、ITS2、psbA-trnH、COI等。研究者们应针对不同的研究对象以选择最合适的条码，他们与其他技术手段也可以被用作辅助用途，用来增加使用DNA条形码进行物种识别的成功率和可靠性。目前已经存在的数据库已经可以满足大部分研究者的需求。支持以matk基因进行物种鉴定的数据库目前有用于采集、发布、存储、分析DNA条形码记录的BOLD和包含可药用的植物，真菌，昆虫和动物的DNA条形码的MMDBD等数据库，覆盖范围广，数据质量高，保证了物种识别的准确性。

但是当识别未知植物物种时，仍然缺少一种准确、高效、覆盖范围大的数据库。

发明内容

本发明提供一种基于matK基因的未知植物物种识别数据库的构建方法及数据库，解决了现有技术中当识别未知植物物种时，仍然缺少一种准确、高效、覆盖范围大的数据库的问题。

为解决上述技术问题，本发明提供了一种基于matK基因的未知植物物种识别数据库的构建方法，所述方法包括步骤：

获取含有matK基因的原始序列数据文件；

提取所述原始序列数据文件中的物种注释信息；

将所述物种注释信息整合至所述matk基因上，以得到matk序列；

对所述matk序列进行质量控制；