[发明专利]一种基因序列数据的筛选方法

权利要求书

1.一种基因序列数据的筛选方法，包括如下步骤：

1)基于基因注释信息的初始数据检索得到数据集，并将其调整为.fasta的格式；

2)针对数据集中的每条序列进行N/R/K/M/S/Y/W/H/D/V/B各字符含量的计算；

3)对数据集中的每条序列进行终止密码子或自定义序列串的检测；

4)将数据集中的每条序列翻译为蛋白序列，将它们与基因对应的模板蛋白序列进行相似性比对计算；

5)根据预设条件，综合步骤2)、3)和4)的结果对每条序列进行评判，决定是否选取。

2.如权利要求1所述的筛选方法，其特征在于，步骤2)用Nall代表序列的字符总数，Ni代表该序列中字符i的个数，其中i指N，R，K，M，S，Y，W，H，D，V或B，则字符i的含量Pi为：步骤5)淘汰Pi高于预设阈值的序列。

3.如权利要求2所述的筛选方法，其特征在于，步骤5)所选取的序列各字符含量Pi＜1％，其中i指N，R，K，M，S，Y，W，H，D，V或B。

4.如权利要求1所述的筛选方法，其特征在于，步骤3)所述终止密码子是指TAG、TAA和TGA，采用正向3个、反向3个共6个阅读框的方式检测序列中是否含有终止密码子和自定义序列串；步骤5)淘汰含有终止密码子和不希望出现的自定义序列串的序列。

5.如权利要求1所述的筛选方法，其特征在于，步骤4)采用正向3个、反向3个共6个阅读框的方式将待筛选基因序列翻译为蛋白序列，再应用BLAST算法将其与对应的模板蛋白序列进行序列相似性比对，获得序列的一致性值和期望值；步骤5)淘汰一致性值和期望值不符合预设条件的序列。

6.如权利要求5所述的筛选方法，其特征在于，步骤5)所选取的序列一致性＞93％，期望值＜1.0×10^-10。

7.如权利要求1所述的筛选方法，其特征在于，在步骤5)之后增加下列步骤：

6)将各序列与已确定的同源基因序列进行多重序列比对，验证序列同源与否，并将此同源性结果与步骤4)的结果进行比较。

8.如权利要求1所述的筛选方法，其特征在于，对步骤1)获得的数据集中的序列文件进行分组，然后各组并列进行步骤2)～5)的处理，最后将处理结果汇总。

9.如权利要求8所述的筛选方法，其特征在于，采用基于Map/Reduce的并行运算方式对数据集中的序列进行并行处理。

10.如权利要求9所述的筛选方法，其特征在于，将已经调整为.fasta格式的数据集输入文件按大小切分成文件块；然后检测文件块的头尾并进行调整，使得每个文件块中所包含的文件均为完整的fasta格式的文件；对每个文件块再进行切分产生键值对，将键值对发送到Map计算节点；每个Map节点接收计算信息，进行步骤2)～5)的运算，并产生结果发送到Reduce节点；Reduce节点接收Map输出的结果信息并组织报告输出。