[发明专利]一种基于靶标的基因簇定向挖掘方法

说明书

本发明公开了一种基于靶标的基因簇定向挖掘方法，该方法可以挖掘出与所提供的靶标蛋白质相关的、可能具有次级代谢产物的生物合成基因簇，这些基因簇后续可以通过生物化学实验，验证是否具有产生与靶标蛋白质存在相互作用的活性天然产物的功能。步骤如下：1)构建蛋白质和基因组数据库；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，获得数据库中相似的蛋白质；3)提取相似蛋白质对应的基因组，以及各个基因组中相似蛋白质编码基因的位置；4)检测每个基因组中所含的基因簇位置；5)判断检测出的每个基因簇是否命中，即判断相似蛋白质编码基因是否处于基因簇中；6)进行基因备份分析，取得分较高的基因簇作为挖掘结果。

技术领域

本发明涉及生物信息学、统计分析、大数据处理领域，具体涉及一种基于靶标的基因簇定向挖掘方法。

背景技术

随着生物信息技术的飞速发展，测序产生的基因组数据也在逐渐增多。在基因组研究中，基因簇挖掘是其中一个方向。作为基因组的一段特殊序列，基因簇可以通过代谢表达产生一些化合物，对基因簇的研究有助于发现具有特定功能的天然化合物，如天然药物。

目前针对基因簇的研究方法主要集中在基础的位置预测方面，对于基因簇产生化合物的功能鉴定的研究成果较少。究其原因，一方面通过化学实验对基因簇产生的化合物进行功能鉴定费时费力，另一方面通过基因组数据筛选具有特定功能产物的基因簇需要较高的数据分析和处理能力，生物学研究学者往往缺乏这方面的技能。

发明内容

本发明的目的一是实现现有主流蛋白质和基因组数据的收集和持久化，并针对数据持久化进行格式统一、数据转换、数据访问、数据更新等方面的实现。二是设计基于Spark分布式技术的序列比对方案。三是设计基于靶标蛋白质定向的基因簇挖掘方法，能够针对输入的靶标蛋白质，预测可能产生与靶标蛋白存在相互作用的活性天然产物的基因簇。

为实现上述目的，本发明采用如下技术方案：一种基于靶标的基因簇定向挖掘方法，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(即查询序列)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)采用第三方基因簇检测工具，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(所述核心基因即具有表达蛋白质能力的基因)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。