[发明专利]一种优化的kraken2算法及其在二代测序中的应用

说明书

本发明提供了一种基于kraken2单条序列kmer评分和整体基于taxonomy结构统计的生信分析方法，所述方法能够降低生信分析假阳性，提高物种检测准确度，适用于二代宏基因组测序分析。

技术领域

本发明涉及生物信息学领域，特别是涉及一种优化的kraken2算法及其在二代测序中的应用。

背景技术

宏基因组群落复杂庞大，需要对大量的DNA进行测序，Illumina二代测序技术是一种大规模平行测序技术，具有通量高，测序准确度高，时效短等特点，正好完美的匹配了宏基因组学的需求，成就了宏基因组学在感染检测的广泛应用。

测序之后微生物群落的物种检测，是宏基因组学研究中的最为重要工作，只有准确可靠地对微生物群落进行精确定位，才能关联宏基因组与研究的关联，比如研究患者的发病是否是某种微生物感染(如某个人怀疑是疟疾，那么需要准确地检测出其血液中存在疟原虫才能最终给出明确诊断)，宏基因组分析是一种快速，准确，先进的检测技术，目前在感染类疾病辅助诊断中发挥了重要作用。

Kraken2应用于Illumina二代宏基因组测序，具有分析速度快，灵敏度高的特点，但是特异度较低，往往会检测出很多假阳性结果，这是因为kraken2算法的特点。根据taxid与seqid关系，对选取的参考基因组序列快速构建固定长度的kmers(默认为35bp的读长)，优先构建某个层级的特异kmers，比如肺炎链球菌Streptococcus pneumoniae，kraken2会优先构建该物种的特异kmers，而链球菌属Streptococcus多个物种也存在某个kmer，则将该kmer定位到链球菌属下，同样的原理，某个kmer存在于链球菌科Streptococcaceae下多个属，则将该kmer定位在链球菌科下。鉴于kraken2的算法，对于某种DNA序列较高的微生物，虽然会有一定的概率会发生错误比对，但是基本上不会干扰该物种的检出。由于二代测序具有读长短的特点，因此很容易出现序列发生错误比对，或者无法精确比对(比如某条来自肺炎链球菌的序列，错误比对到Streptococcus mitis，或者只能比对到Streptococcus属层级)，这是影响物种检测准确度的最重要因素。

除此之外，由于数据库包含的序列很多，比如质粒/载体等也在内，因此比对这部分比对的结果也会给出输出，这部分结果基本上是无意义的(也可以算作假阳性检出)。

鉴于此，提出本发明。

发明内容

本发明的目的是寻求一种能够降低测序分析假阳性，能够提高物种检测的准确度，适用于Illumina二代宏基因组测序的生信分析方法。

为实现上述目的，本发明提出如下技术方案：

本发明首先提供了一种基于kraken2单条序列kmer评分和整体基于taxonomy结构统计的生信分析方法，所述方法包括如下步骤：

1)NGS测序数据使用kraken2进行序列比对，得到每条序列的taxid-kmer结果；

2)基于taxonomy数据库建立taxid的层级关系，根据步骤1)taxid-kmer结果获得taxid，并关联taxonomy层级，再根据定位规则重定位taxid；

3)根据每条序列经过步骤2)定位的taxid和步骤1)的taxid-kmer比对结果，计算每条序列的kmer score；

4)根据kmer score和taxonomy层级，对比对结果进行整体计算；

进一步的，还包括

5)根据4)的整体计算结果进行物种层级检测。

进一步的，所述步骤2)中层级关系包括血清型/亚型、种、属和/或科的一种或多种层级关系。

进一步的，所述步骤2)中定位规则包括如下：