一种基于线粒体基因组拼接与多级数据库比对的物种鉴定方法及系统与流程

摘要: 本发明涉及生物信息学与分子物种鉴定,尤其涉及一种基于线粒体基因组拼接与多级数据库比对的物种鉴定方法及系统。背景技术:1、物种鉴定是生物学研究、生态环境保护、进出...
一种基于线粒体基因组拼接与多级数据库比对的物种鉴定方法及系统与流程

本发明涉及生物信息学与分子物种鉴定,尤其涉及一种基于线粒体基因组拼接与多级数据库比对的物种鉴定方法及系统。

背景技术:

1、物种鉴定是生物学研究、生态环境保护、进出口检疫、法医物证鉴定及中药材质量控制等领域的基础性技术工作。传统的物种鉴定主要依赖形态学特征,要求鉴定人员具备专业的分类学知识,且对残缺样本、幼体样本或近缘物种难以有效区分。随着dna测序技术的快速发展,基于分子标记的物种鉴定方法逐渐成为主流,其中以线粒体细胞色素c氧化酶亚基i(coi)基因片段作为dna条形码的技术方案应用最为广泛。

2、然而,现有基于dna条形码的物种鉴定技术方案存在以下技术缺陷:

3、(一)单基因片段的信息载量有限,因coi条形码片段长度仅为600-700 bp,对于亲缘关系较近的物种缺乏足够的变异位点,难以实现准确的物种水平鉴定。

4、(二)测序数据的质量控制与序列拼接环节相互独立,低质量的拼接序列直接进入比对鉴定环节,容易产生假阳性鉴定结果。

5、(三)比对数据库的组织结构单一,且采用全量检索策略,随着数据库规模增长计算效率持续降低;同时,现有方案缺少基于比对质量的置信度评估机制,在低匹配质量情形下无法提供可靠的鉴定结论。

6、(四)鉴定流程缺乏闭环设计,当比对结果不满足预设阈值时直接报错或无输出,无法满足实际鉴定需求;

7、因此本发明提出一种基于线粒体基因组拼接与多级数据库比对的物种鉴定方法及系统以解决现有技术中存在的问题。

技术实现思路

1、针对上述问题,本发明的目的在于提出一种基于线粒体基因组拼接与多级数据库比对的物种鉴定方法及系统,本发明能避免现有技术方案在低匹配质量下输出不可靠结果或直接报错的技术缺陷,从而解决现有技术中存在的问题。

2、为实现本发明的目的,本发明通过以下技术方案实现:一种基于线粒体基因组拼接与多级数据库比对的物种鉴定方法,包括以下步骤:

3、步骤一:获取待鉴定样本的测序读段数据;

4、步骤二:对测序读段数据进行质量过滤处理,获得质量过滤读段数据,其中质量过滤处理包括接头序列剔除、末端低质量碱基修剪和序列长度筛除;

5、步骤三:基于质量过滤读段数据对线粒体基因组进行迭代式序列延伸与空隙填充组装,获得组装闭合序列;

6、步骤四:对组装闭合序列进行首尾重叠一致性判定、各窗口测序深度离散值计算以及线粒体基因集完整性识别,当所述首尾重叠一致性、各窗口测序深度离散值和线粒体基因集完整性均满足预设质量条件时,将组装闭合序列确定为验证合格序列;

7、步骤五:构建分级参考序列集合,其中分级参考序列集合包含属级参考序列子集、种级参考序列子集和单倍型参考序列子集;

8、步骤六:将验证合格序列分级参考序列集合中进行递进式全局比对和局部比对,获得每一级的候选分类单元及对应的全局相似性得分矩阵和局部覆盖区间;

9、步骤七:根据当前级的全局相似性得分矩阵中的得分排序关系和局部覆盖区间中的未覆盖缺口长度计算当前级的排他性置信度,当排他性置信度大于预设第一阈值时,终止递进并将当前级的候选分类单元确定为目标分类单元;当排他性置信度不大于预设第一阈值且当前级非末级时,进入下一级参考序列子集进行比对;当排他性置信度不大于预设第一阈值且当前级为末级时,将末级的候选分类单元确定为目标分类单元;

10、步骤八:根据目标分类单元提取分类学层级路径,输出物种鉴定结果。

11、进一步改进在于:所述步骤三中,迭代式序列延伸与空隙填充组装的具体方式为:基于质量过滤读段数据进行k-mer频数统计,再基于频数统计结果选取延伸种子,最后以延伸种子为起点进行双向序列延伸直至无法延伸后,对延伸形成的未覆盖空隙区域执行空隙填充。

12、进一步改进在于:所述步骤四中,各窗口测序深度离散值计算方式为:将组装闭合序列划分为预设窗口数量的滑动窗口,然后计算每个所述滑动窗口内的测序深度平均值和测序深度标准差。

13、进一步改进在于:所述步骤五中,分级参考序列集合基于公共核酸数据库中的线粒体完整基因组序列构建,属级参考序列子集通过对属内全部序列进行中心序列聚类获得。

14、进一步改进在于:所述步骤七中,排他性置信度根据全局相似性得分矩阵中的最高得分与次高得分的比值以及局部覆盖区间中的未覆盖缺口长度计算。

15、一种基于线粒体基因组拼接与多级数据库比对的物种鉴定系统,包括以下模块:

16、测序读段获取模块,用于获取待鉴定样本的测序读段数据;

17、读段质量过滤模块,用于对测序读段数据进行接头序列剔除、末端低质量碱基修剪和序列长度筛除,获得质量过滤读段数据;

18、线粒拼接模块,用于基于质量过滤读段数据对线粒体基因组进行迭代式序列延伸与空隙填充组装,获得组装闭合序列;

19、组装质量验证模块,用于对组装闭合序列进行首尾重叠一致性判定、各窗口测序深度离散值计算以及线粒体基因集完整性识别,当首尾重叠一致性、各窗口测序深度离散值和线粒体基因集完整性均满足预设质量条件时,将组装闭合序列确定为验证合格序列;

20、分级参考存储模块,用于存储分级参考序列集合,分级参考序列集合包含属级参考序列子集、种级参考序列子集和单倍型参考序列子集;

21、递进比对执行模块,用于将验证合格序列依次与属级参考序列子集、种级参考序列子集和单倍型参考序列子集进行递进式全局比对和局部比对,获得每一级的候选分类单元及对应的全局相似性得分矩阵和局部覆盖区间;

22、置信评估终止模块,用于根据当前级的全局相似性得分矩阵中的得分排序关系和局部覆盖区间中的未覆盖缺口长度计算当前级的排他性置信度,当排他性置信度大于预设第一阈值时,终止递进并将当前级的候选分类单元确定为目标分类单元;当排他性置信度不大于预设第一阈值且当前级非末级时,触发递进比对执行模块进入下一级参考序列子集;当排他性置信度不大于预设第一阈值且当前级为末级时,将末级的候选分类单元确定为目标分类单元;

23、物种分类输出模块,用于根据目标分类单元提取分类学层级路径,输出物种鉴定结果。

24、进一步改进在于:所述线粒拼接模块包括:

25、种子延伸子模块,用于基于质量过滤读段数据的k-mer频数统计结果选取延伸种子,并以延伸种子为起点进行双向序列延伸;

26、空隙填充子模块,用于对双向序列延伸后形成的未覆盖空隙区域进行序列填充。

27、进一步改进在于:所述组装质量验证模块包括:

28、首尾重叠判定子模块,用于判定组装闭合序列的首端序列与尾端序列的重叠一致性;

29、深度分布统计子模块,用于将组装闭合序列划分为预设窗口数量的滑动窗口,并计算每个滑动窗口内的测序深度平均值和测序深度标准差;

30、基因完整性校验子模块,用于识别组装闭合序列中是否包含线粒体基因集内的全部蛋白编码基因。

31、进一步改进在于:所述递进比对执行模块执行全局比对时采用动态规划全局比对策略,递进比对执行模块执行局部比对时采用动态规划局部比对策略。

32、进一步改进在于:所述置信评估终止模块中的预设第一阈值包括预设相似性比值阈值和预设未覆盖缺口长度阈值,当全局相似性得分矩阵中的最高得分与次高得分的比值大于预设相似性比值阈值,且局部覆盖区间中的未覆盖缺口长度小于预设未覆盖缺口长度阈值时,排他性置信度大于预设第一阈值。

33、本发明的有益效果为:

34、(1)本发明通过对测序读段数据进行线粒体全基因组的迭代式序列延伸与空隙填充组装,获得线粒体基因组全长序列,以全线粒体基因组的完整遗传信息替代传统单基因片段作为鉴定依据,信息量较coi条形码片段提升20倍以上,有效解决了近缘物种因变异位点不足而难以区分的问题。

35、(2)本发明在组装闭合序列进入比对鉴定之前,强制实施首尾重叠一致性判定、各窗口测序深度离散值计算和线粒体基因集完整性识别三个维度的协同验证,只有三项验证全部满足预设质量条件的序列方可进入后续比对环节,从数据源头上避免了因低质量拼接序列导致的假阳性鉴定。

36、(3)本发明通过排他性置信度驱动的动态终止机制,当置信度大于预设第一阈值时立即终止递进比对,从而避免了全量检索策略的计算资源浪费,显著提升了鉴定效率。

37、(4)本发明在每一级比对中同步执行全局比对和局部比对,分别获得全局相似性得分矩阵和局部覆盖区间,再将最高得分与次高得分的比值和未覆盖缺口长度两个互补维度耦合为排他性置信度指标,克服了传统方案仅依赖单一相似度得分进行判定的技术缺陷。

38、(5)本发明在决策逻辑中设置了末级兜底机制,级当所有级别比对完成后排他性置信度仍不大于预设第一阈值时,直接将末级候选分类单元确定为目标分类单元并输出鉴定结果,从而保证每一次鉴定流程均能收敛至一个有依据的分类学结论,克服了现有技术方案在低匹配质量情形下直接报错或无输出的技术缺陷。