[发明专利]一种构建病原生物基因组数据库的方法及装置

权利要求书

1.一种构建病原生物基因组数据库的方法，其特征在于，包括：

获取基因组数据步骤，包括从数据库获取选定的病原生物的基因组数据；

同源区域屏蔽步骤，包括对基因组数据进行质粒同源区域屏蔽、宿主源同源区域屏蔽，获得屏蔽同源区域后的基因组数据；

融合基因组构建步骤，包括对屏蔽同源区域序列后的基因组数据中的各个基因组构建融合基因组；具体地，从屏蔽同源区域后的基因组数据中选取一基因组作为代表基因组，对屏蔽同源区域序列后的基因组数据中的其他基因组依次进行如下步骤：1）基因组打断；2）序列集比对；3）过滤同源区域；4）获取特异区域序列；5）构建融合基因组，将得到的融合基因组作为代表基因组，重复进行前述步骤1）至5），直至遍历屏蔽同源区域后的基因组数据中的所有基因组；所述步骤1）中，将基因组打断成长度为第一预设长度且不重叠的序列集，并在序列ID上记录序列集里每条序列在基因组上的起始位置与结束位置；所述步骤2）中，对序列集与代表基因组进行比对，得到序列集中每条序列与代表基因组的比对结果，并根据位置信息，将比对结果的位置修改成原基因组的位置；所述步骤3）中，将相似性≥第一预设值，且比对长度大于第二预设值的比对结果区域对应的序列碱基用碱基N替代，得到新基因组序列，所述新基因组序列与代表基因组同源的区域都用N表示；所述步骤4）中，将所述步骤3）获得的新基因组序列的非N区作为特异区，对特异区往前取第二预设长度和往后取第三预设长度，得到特异序列集；所述步骤5）中，使用至少10个连续的N连接所述步骤4）获得的特异序列集，并使用至少10个连续的N连接代表基因组，得到融合基因组，将得到的融合基因组作为代表基因组，重复所述步骤1）~5），直至遍历屏蔽宿主源同源区域序列后的基因组数据中的所有基因组；

组库步骤，包括重复所述获取基因组数据步骤、同源区域屏蔽步骤、融合基因组构建步骤，遍历所选定的所有病原生物的基因组数据，汇总所有融合基因组，得到病原生物基因组数据库。

2.如权利要求1所述的方法，其特征在于，所述质粒同源区域屏蔽步骤中，包括将基因组数据中含有“Plasmid”或“plasmid”关键词的序列去掉，获得除去质粒后的基因组序列；

将所述除去质粒的基因组序列打断，获得序列集，将所述序列集中每条序列与质粒数据库比较，如果100%匹配，则将该序列在融合基因组上的相应位置的碱基用N进行替换，获得屏蔽质粒同源区域后的基因组数据；

或，质粒同源区域屏蔽步骤中，打断后获得的序列集中，序列长度为31~50bp；

或，质粒同源区域屏蔽步骤中，打断后获得的序列集中，序列的移步步长≤10bp；

或，所述宿主源同源区域屏蔽步骤中，包括将基因组打断，获得打断的序列集，将所述序列集中每条序列与宿主参考基因组比较，如果100%匹配，则将该序列在基因组上的相应位置的碱基用N进行替换，获得屏蔽宿主源同源区域后的序列集；

或，所述宿主源同源区域屏蔽步骤中，所述打断的序列集中，序列长度为31~50bp；

或，所述宿主源同源区域屏蔽步骤中，所述打断的序列集中，序列的移步步长≤10bp。

3.如权利要求1所述的方法，其特征在于，所述宿主源同源区域屏蔽步骤中，所述打断的序列集中，序列的移步步长为1bp。

4.如权利要求1所述的方法，其特征在于，所述第一预设长度包括500bp；

或，所述步骤3）中，第一预设值为97%；

或，所述步骤3）中，第二预设值为50bp。

5.如权利要求4所述的方法，其特征在于，

所述步骤4）中，所述第二预设长度、第三预设长度独立地为50bp；

或，所述步骤5）中，使用至少10个N连接代表基因组。