一种基于SELEX的高通量核酸序列处理和聚类方法和装置

本发明属于生物信息学和分子生物学交叉领域，特别涉及一种基于selex的高通量核酸序列处理和聚类方法和装置。

背景技术：

1、selex技术是筛选特异性结合靶标分子（如蛋白质、小分子等）的核酸适配体的常用方法。随着高通量测序技术的发展，selex实验通常产生数百万条核酸序列，如何从这些海量数据中高效、准确地识别富集的核酸序列并分析其家族相似性，成为适配体筛选的关键环节。

2、现有数据处理流程通常包括：去除测序接头、合并双端序列、拆分文库标签、提取随机区、统计丰度等步骤，最后对高丰度序列进行聚类分析。聚类分析常用的工具包括blast（基本局部比对搜索工具）和mcl（马尔可夫聚类算法），但现有方法往往针对特定实验设计进行定制，缺乏通用性和参数自适应能力。此外，当文库标签设计复杂或存在序列变异时，简单的拆分方法可能导致大量数据丢失，影响后续分析准确性。

3、因此，需要一种能够适应多种文库设计、具有自动容错机制且参数可调的高通量核酸序列数据处理与聚类方法。

技术实现思路

1、本发明针对上述问题提出一种基于selex的高通量核酸序列处理和聚类方法和装置。其构思在于筛选出有富集趋势的序列，并在聚类前提取作为核心结合区的目标随机序列区，提升方法通用性和参数自适应能力。

2、第一方面，本发明提出一种基于selex的高通量核酸序列处理和聚类方法，其步骤包括：

3、s1.通过高通量测序平台获得经过selex技术多轮筛选的核酸样本的fastq格式的原始测序数据；

4、s2.对测序原始数据进行质量控制，去除接头和低质量序列，获得质控序列数据；

5、s3.对质控序列数据进行文库拆分与合并，提取目标随机序列区，获得提取结果；

6、s4.统计步骤s3得到的提取结果，进行序列自比对，后见序列间相似性得分矩阵；

7、s5.基于步骤s4得到的序列间相似性得分矩阵进行聚类分析。

8、作为优选，s1中，所述原始测序数据为经过针对parp1蛋白进行selex筛选后的核酸文库的双端数据，包含read1和read2两个测序文件，所述测序文件的测序读长为150bp。

9、更具体的，步骤s2的过程如下：

10、s2.1去除测序原始数据中的接头序列，所述read1文件的接头序列为acatcggaagagcacacgtctgaactccagtcac,read2文件的接头序列为agatcggaagagcgtcggtagggaaagagtgt；

11、s2.2对去接头后的序列进行低质量过滤，剔除存在碱基质量低于30的序列，保留所有碱基q值≥30的序列；

12、s2.3去除聚合酶链式反应（pcr）标签，所述聚合酶链式反应标签是caacagtccgttattcggtg；

13、s2.4将去除了pcr标签的read1文件和read2文件进行双端合并，获得质控序列数据。

14、作为优选，s2.1、s2.2和s2.3使用cutadapt工具实现，s2.4使用flash工具实现。

15、更具体的，步骤s3的具体过程如下：

16、s3.1按照预设的文库索引序列集对质控序列数据进行分类，其中所述文库索引序列集包含5种不同的核苷酸序列标签，分别对应s1的selex技术多轮筛选中的5个不同轮次；

17、s3.2对分类后的序列数据进行目标区域截取，具体包括识别序列中的上游引物序列和下游引物序列；提取位于所述上游引物序列和下游引物序列之间的目标随机序列区，保留长度为预设长度的目标随机序列区，剔除无法匹配上游引物序列或下游引物序列、或长度不为预设长度的序列，得到提取结果。

18、更具体的，所述上游引物序列是attgcctggaggttgtcgaa，所述下游引物序列是ggcgtgcgtaaatgactgaa。

19、更具体的，步骤s4的具体过程如下：

20、s4.1统计每一条唯一随机序列在提取结果中出现的次数作为序列丰度，按丰度从高到底排序，筛选出具有富集趋势的序列作为parp1结合高丰度候选序列；

21、s4.2将所述高丰度候选序列构建为核酸序列数据库，使用blast算法进行序列自比对，为适配短序列特征设置任务类型为blastn-short，设置e-value的阈值为预设数值，并关闭对低复杂度序列的过滤避免丢失富含特定碱基组成的功能性基序，获得序列相似性得分；

22、作为优选，具有富集趋势的序列是序列丰度前500的唯一随机序列；e-value的阈值是0.05。

23、更具体的，步骤s5的具体过程如下：

24、s5.1基于所述序列相似性得分，构建适用于图聚类分析的相似性矩阵，对相似性矩阵进行归一化处理；

25、s5.2采用马尔可夫聚类算法对所述相似性矩阵进行迭代运算，设置膨胀系数为预设数值，获得若干个具有保守结合基序的parp1结合dna序列簇；

26、s5.3对具有保守结合基序的parp1结合dna序列簇进行结果解析，生成包含序列id、核酸序列及聚类分组的分析结果文件。

27、作为优选，s5.2中，设置膨胀系数为1.5。

28、第二方面，本发明提出一种基于selex的高通量核酸序列处理和聚类装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-8中任一项所述的一种基于selex的高通量核酸序列数据处理和聚类方法。

29、第三方面，本发明提出一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-8中任一项所述的一种基于selex的高通量核酸序列处理和聚类方法。

30、本发明的创新点在于：

31、1. 通过selex技术筛选出有富集趋势的序列，再计算序列相似度。

32、2.在聚类前提取目标随机序列区。

33、3. 针对selex筛选得到的序列特征对聚类算法的参数进行调整。

34、本发明产生的有益效果在于：

35、1.筛选富集序列能避免假阳性，计算序列相似度能加速聚类。

36、2.提取目标随机序列区能提高信噪比。

37、3.针对性的参数调整可以更灵敏地捕捉到序列之间的细微差异和相似性。

1.一种基于selex的高通量核酸序列处理和聚类方法，包括以下步骤：

2.如权利要求1所述的一种基于selex的高通量核酸序列处理和聚类方法，其特征在于：s1中，所述原始测序数据为经过针对parp1蛋白进行selex筛选后的核酸文库的双端数据，包含read1和read2两个测序文件，所述测序文件的测序读长为150bp。

3.如权利要求2所述的一种基于selex的高通量核酸序列处理和聚类方法，其特征在于，步骤s2的过程如下：

4.如权利要求1所述的一种基于selex的高通量核酸序列处理和聚类方法，其特征在于，步骤s3的具体过程如下：

5.如权利要求1所述的一种基于selex的高通量核酸序列处理和聚类方法，其特征在于，步骤s4的具体过程如下：

6.根据权利要求5所述的一种基于selex的高通量核酸序列处理和聚类方法，其特征在于：具有富集趋势的序列是序列丰度前500的唯一随机序列；e-value的阈值是0.05。

7.根据权利要求1所述的一种基于selex的高通量核酸序列处理和聚类方法，其特征在于，步骤s5的具体过程如下：

8.根据权利要求7所述的一种基于selex的高通量核酸序列处理和聚类方法，其特征在于： s5.2中，设置膨胀系数为1.5。

9.一种基于selex的高通量核酸序列处理和聚类装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-8中任一项所述的一种基于selex的高通量核酸序列数据处理和聚类方法。

10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-8中任一项所述的一种基于selex的高通量核酸序列处理和聚类方法。