[发明专利]一种基于靶标的基因簇定向挖掘方法

权利要求书

1.一种基于靶标的基因簇定向挖掘方法，其特征在于，该方法包括以下步骤：

1)采集公开的蛋白质和基因组测序数据；对数据进行格式转换、去重处理，分别建立蛋白质数据库和基因组数据库；

2)将靶标蛋白质序列与蛋白质数据库中的蛋白质序列进行序列比对，筛选相似度超过设定阈值的蛋白质；

3)根据蛋白质与基因组的映射关系，对步骤2)筛选出的相似蛋白质提取对应的基因组，并提取各个基因组中相似蛋白质的编码基因的位置；

4)采用基因簇检测工具，检测步骤3)提取的基因组中所包含的基因簇位置；

5)在基因组中，通过步骤3)所得的相似蛋白质编码基因的位置和步骤4)所得的基因簇的位置，判断基因簇是否命中，即判断基因簇是否包含相似蛋白质编码基因；

6)进行基因备份分析：首先提取步骤4)所得基因簇中所有核心基因编码的蛋白质，然后利用隐马尔科夫模型，从中细粒度比对出与靶标蛋白质相似的核心基因编码蛋白质；统计每个基因簇中相似的核心基因编码蛋白质的数量，计算基因备份分析得分，取得分较高的基因簇作为挖掘结果；第j个基因簇基因备份分析得分的函数为TS_j＝N_j*∑_iL_i*S_i*logE_i，其中S_i、E_i、L_i分别为第j个基因簇中第i个相似的核心基因编码蛋白质的相似性得分、置信度、比对序列长度，N_j为第j个基因簇中相似的核心基因编码蛋白质数量。

2.根据权利要求1所述的一种基于靶标的基因簇定向挖掘方法，其特征在于，所述蛋白质数据库和基因组数据库采用Hbase分布式数据库；蛋白质数据存储采用FASTA格式，基因组数据存储采用GenBank格式。

3.根据权利要求1所述的一种基于靶标的基因簇定向挖掘方法，其特征在于，所述步骤2)具体包括以下子步骤：

步骤2-1：设计序列比对分布式计算方案：首先对蛋白质数据库和查询序列进行拆分并重新分组；然后对得到的分组在Spark平台上进行分布式计算：在Map阶段将分组分发到各个工作节点中，各个工作节点使用本地序列比对工具BLAST进行比对，在Reduce阶段对所有的比对结果按照查询序列编号排序，得到序列比对结果；

步骤2-2：基于步骤2-1中的序列比对结果，筛选相似度超过设定阈值的相似蛋白质。

4.根据权利要求1所述的一种基于靶标的基因簇定向挖掘方法，其特征在于，所述步骤4)中检测相关基因组中包含的基因簇的位置，具体为：

步骤4-1：利用antiSMASH基因簇检测工具，对基因组进行检测；

步骤4-2：基于步骤4-1中的检测结果，提取其中基因簇的位置信息。

5.根据权利要求1所述的一种基于靶标的基因簇定向挖掘方法，其特征在于，所述步骤6)具体包括以下子步骤：

步骤6-1：基于步骤4)中的基因簇位置信息，提取基因簇中具有表达蛋白质能力的核心基因编码的蛋白质；

步骤6-2：基于输入的靶标蛋白质信息，利用HMMer V3工具提供的hmmbuild方法构建隐马尔科夫模型；

步骤6-3：基于步骤6-2中的隐马尔科夫模型以及步骤6-1中的核心基因编码的蛋白质，利用HMMer V3工具提供的hmmsearch方法进行细粒度比对，得到相似的核心基因编码蛋白质的相似性得分、置信度、比对序列长度及位置信息；

步骤6-4：基于步骤6-3中相似的核心基因编码蛋白质的位置信息以及步骤4)中的基因簇的位置信息，统计每个基因簇中相似的核心基因编码蛋白质的数量；

步骤6-5：基于步骤6-4中的结果，计算第j个基因簇基因备份分析得分的函数为TS_j＝N_j*∑_iL_i*S_i*logE_i，其中S_i、E_i、L_i分别为步骤6-3中第j个基因簇中第i个相似的核心基因编码蛋白质的相似性得分、置信度、比对序列长度，N_j为步骤6-4中第j个基因簇中相似的核心基因编码蛋白质数量。