高通量测序文库宿主快速鉴定方法、系统、设备及存储介质

本发明涉及生物信息测序数据分析，尤其涉及高通量测序文库宿主快速鉴定方法、系统、设备及存储介质。

背景技术：

1、现有宿主鉴定分析方法存在诸多实际问题。第一，人工分析的效率难以满足大批量样本的需求，随着高通量测序成本的下降，科研项目的样本量动辄达到数百上千份，每份文库的blast比对结果包含数万至数十万条序列命中，人工筛选与整理需要耗费大量的人力与时间，严重制约项目进度。第二，人工分析的结果一致性较差，不同研究人员对筛选标准的把握存在差异，导致不同批次、不同人员的分析结果难以横向比较，不利于数据的整合。第三，现有在线鉴定工具的适用场景有限，大多面向单条序列的物种鉴定，无法直接对接宏基因组测序的批量比对结果，也不支持自定义筛选参数与分类阶元，难以满足病原监测场景下的多样化分析需求。第四，分类学信息查询效率较低，目前获取物种分类信息大多依赖在线调用ncbi taxonomy数据库接口，在批量分析时受网络速度影响较大，且容易因接口限制导致分析中断。第五，宿主鉴定的专业门槛较高，需要研究人员同时掌握生物信息学操作、分类学知识与序列比对技能，不利于在基层监测网络中推广应用。

技术实现思路

1、为了克服以上不足，本发明的目的在于提供一种高通量测序文库宿主快速鉴定方法、系统、设备及存储介质，以解决现有测序文库宿主鉴定流程繁琐、高度依赖人工操作、专业门槛高、批量分析效率低下、鉴定阶元固定、无法定向筛选目标物种类群、鉴定结果标准不统一的缺陷。

2、为实现上述目的，本发明第一方面提供一种高通量测序文库宿主快速鉴定方法，包括前置数据库自动构建步骤以及由s1-s6组成的自动化分析步骤；所述前置数据库自动构建步骤于执行s2之前完成，程序通过筛选分类域标识=5的动物分类节点，生成包含四类内存映射结构且常驻内存的分类数据库，同步构建收录cox1、cytb、d-loop全部注释变体的标记关键词库；

3、自动化分析步骤包括：

4、s1，获取重叠群序列经核苷酸同源比对输出、具有第6类标准输出格式字段结构的比对文件；

5、s2，读取所述比对文件，匹配cox1、cytb、d-loop三类动物线粒体dna条形码标记对应的关键词，筛选得到仅含目标标记的目标基因匹配序列；

6、读取比对文件，针对每条比对记录的目标序列标题字段，执行不区分大小写的子串匹配，依次匹配cox1、cytb、d-loop三类动物线粒体dna条形码标记对应的关键词，标题中任意位置命中任意一类标记关键词即判定为目标基因匹配序列，予以保留并标记对应的基因类型；未命中任何一类标记关键词的记录直接剔除，不进入后续流程；最终筛选得到仅含目标标记的目标基因匹配序列集合；

7、s3，对所述目标基因匹配序列依次执行比对长度、序列相似度、比对覆盖度三层联动过滤，得到同时满足三层阈值约束的有效候选序列；

8、对所述目标基因匹配序列依次执行比对长度、序列相似度、比对覆盖度三层联动过滤，每层过滤独立判定，不满足当前层阈值则直接剔除该序列，不再进入下一层过滤；仅同时通过三层阈值约束的序列，判定为有效候选序列，各层过滤执行规则为比对长度过滤：直接提取比对记录中的比对长度数值，与预设最小比对长度阈值比较，数值≥阈值则通过，低于阈值则剔除；序列相似度过滤：提取比对记录中的序列相似度百分比数值，与预设最小相似度阈值比较，数值≥阈值则通过，低于阈值则剔除；比对覆盖度过滤：按照公式 比对覆盖度=（比对长度÷重叠群序列总长度）× 100%计算每条序列的查询侧覆盖度，与预设最小覆盖度阈值比较，数值≥阈值则通过，低于阈值则剔除；

9、s4，提取所述有效候选序列的物种分类编号，校验物种分类编号归属分类数据库，并逐级向上回溯生成界、门、纲、目、科、属、种完整层级分类谱系，剔除非动物、谱系残缺的序列，得到谱系完整解析序列；

10、首先通过预存的动物分类编号集合以算法时间复杂度校验其是否属于动物类群，不属于则直接判定为非动物序列并剔除；属于动物类群的序列启动逐级谱系回溯，具体流程为：将当前序列的物种分类编号设为起始节点，初始化谱系字符串为空，通过分类数据库的父节点映射关系，查询当前分类编号的上一级父节点分类编号，同步获取该节点的分类阶元与物种名称，按“物种名称（分类阶元）；”的格式拼接至谱系字符串的前端；将当前分类编号更新为父节点分类编号，重复本步骤，当当前分类编号等于预设的根分类编号时，停止回溯，在谱系头部补充根节点信息，生成完整层级分类谱系，若回溯过程中出现父节点不存在、无法到达根分类编号的情况，判定为谱系残缺序列，予以剔除，最终得到全部谱系完整的解析序列；

11、s5，将所述谱系完整解析序列按物种分组，统计各组命中标记基因种类数、匹配序列条数、平均相似度；将命中标记基因种类数≥2的物种判定为高可信度宿主；对候选物种排序时，先按命中标记基因种类数从高到低排列，种类数多者排名靠前；当不同物种的命中标记基因种类数相同时，对这些物种按综合得分从高到低排列；当所有候选物种均仅命中一种标记基因时，直接按综合得分从高到低排列全部候选物种；综合得分＝匹配序列条数×平均相似度；

12、将所述谱系完整解析序列以物种分类编号为唯一标识按物种分组，对每个物种分组分别统计三项核心指标：命中标记基因种类数（对该物种下所有序列的标记基因种类去重后计数，取值范围为1-3）、匹配序列条数（该物种下所有有效序列的总数量）、平均相似度（该物种下全部有效序列的相似度数值之和÷匹配序列条数，结果保留3位小数）；将命中标记基因种类数≥2的物种判定为高可信度宿主；对候选物种排序时，按以下两级规则进行：第一优先级为命中标记基因种类数，种类数越多排名越靠前；第二优先级为综合得分，当不同物种的命中标记基因种类数相同时，按综合得分从高到低排列，综合得分=匹配序列条数×平均相似度。综合得分数值越高，对应物种的宿主可信度越高，排名越靠前；当所有候选物种均仅命中一种标记基因时，直接按综合得分从高到低排列全部候选物种。

13、s6，输出多组候选宿主信息，生成包含序列、比对参数、物种、完整分类谱系的标准化鉴定表。

14、本发明第二方面提供一种高通量测序文库宿主快速鉴定系统，包括数据库构建模块、数据输入模块、基因筛选模块、阈值过滤模块、分类追溯模块、宿主判定模块、结果输出与统计模块；

15、所述数据库构建模块，用于执行前置数据库自动构建操作，筛选分类域标识=5的动物分类节点，生成包含四类内存映射且常驻内存的分类数据库，同步构建收录cox1、cytb、d-loop全部注释变体的标记关键词库；

16、所述数据输入模块，用于执行获取重叠群序列经核苷酸同源比对输出、具有第6类标准输出格式字段结构的比对文件；

17、所述基因筛选模块，用于执行读取比对文件，匹配cox1、cytb、d-loop三类动物线粒体dna条形码标记对应的关键词，筛选得到仅含目标标记的目标基因匹配序列；

18、所述阈值过滤模块，用于执行对所述目标基因匹配序列依次执行比对长度、序列相似度、比对覆盖度三层联动过滤，得到同时满足三层阈值约束的有效候选序列；

19、所述分类追溯模块，用于执行提取所述有效候选序列的物种分类编号，校验物种分类编号归属分类数据库，并逐级向上回溯生成界、门、纲、目、科、属、种完整层级分类谱系，剔除非动物、谱系残缺的序列，得到谱系完整解析序列；

20、所述宿主判定模块，用于将所述谱系完整解析序列按物种分组，统计各组命中标记基因种类数、匹配序列条数、平均相似度；将命中标记基因种类数≥2的物种判定为高可信度宿主；对候选物种排序时，先按命中标记基因种类数从高到低排列，种类数多者排名靠前；当不同物种的命中标记基因种类数相同时，对这些物种按综合得分从高到低排列；当所有候选物种均仅命中一种标记基因时，直接按综合得分从高到低排列全部候选物种；综合得分＝匹配序列条数×平均相似度；

21、所述结果输出与统计模块，用于执行输出多组候选宿主信息，生成包含序列、比对参数、物种、完整分类谱系的标准化鉴定表。

22、本发明第三方面提供一种高通量测序文库宿主快速鉴定电子设备，所述系统存储计算机程序，所述程序运行时执行前述所述鉴定方法。

23、本发明第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现前述所述鉴定方法。

24、借由以上的技术方案，本技术的有益效果在于：

25、本发明能够解决现有宿主鉴定流程高度依赖人工、批量处理效率低、易产生人为误差的缺陷，可直接读取重叠群序列的核苷酸同源比对结果，全流程自动完成标记筛选、序列过滤、物种谱系追溯与宿主判定，无需人工介入，填补了该类自动化分析工具的空白；本发明同步识别cox1、cytb、d-loop三类线粒体条形码标记，结合多层可调过滤阈值实现多基因交叉验证，有效规避序列漏筛、物种误判问题，降低鉴定假阳性；同时本发明支持通过根分类编号自定义分类追溯终止节点，可按需完成物种精准鉴定或高阶类群快速筛查，定向剔除无关序列，搭配仅加载动物分类节点的轻量化常驻内存分类数据库，减少内存占用、提升谱系回溯速度，适配大批量样本分析；整体工具操作门槛低，无需复杂生物信息基础即可使用，全程采用统一判定标准，消除人工主观偏差，鉴定结果标准化、可重复。传统人工完整分析单测序文库宿主需耗费1~2小时，本发明全自动化流程可将单样本鉴定压缩至数分钟，大幅提升大批量监测样本的分析处理效率。