[发明专利]基于不同尺度tuple词频的微生物高通量测序数据分析协议

摘要

本发明提供了一种基于不同尺度tuple词频的微生物高通量测序数据分析协议，其包括：步骤1：获取宏基因组样本的2‑10bp的短tuple高通量测序数据，采用插值上下文马尔科夫模型进行建模微生物群落的背景基因组，再采用无监督的聚类方法来比较宏基因组样本，得出宏基因组样本的类别信息；步骤2：基于步骤1)中聚类得出的类别信息，将≥30bp的长tuple作为特征，采用有监督的样本分类方法找出描述宏基因组样本类别的特异性特征长tuple序列。本发明混合不同阶次的马尔科夫模型，由数据本身决定各阶次马尔科夫模型所占的权重，并允许分析上下文不连续的序列之间的关系。

主权项

1.基于不同尺度tuple词频的微生物高通量测序数据分析协议，其特征在于，包括如下步骤：步骤1：获取宏基因组样本的2‑10bp的短tuple高通量测序数据，采用插值上下文马尔科夫模型进行建模微生物群落的背景基因组，再采用无监督的聚类方法来比较宏基因组样本，得出宏基因组样本的类别信息；步骤2：基于步骤1)中聚类得出的类别信息，将≥30bp的长tuple作为特征，采用有监督的样本分类方法找出描述宏基因组样本类别的特异性特征长tuple序列；所述步骤1)具体包括如下：步骤1.1:获取宏基因组样本的高通量测序数据，生成该宏基因组样本的短tuple特征频度向量，对每个宏基因组样本中出现的长度为2‑10bp的tuple的频度进行统计，并生成相应宏基因组样本的频度向量；所述步骤1.1中，tuple特征定义为宏基因组样本中可能出现的字符串组合，并选择长度为2‑10bp的字符串组合作为所述tuple特征；步骤1.2:采用插值上下文马尔科夫模型对微生物群落的背景基因组进行建模，估计频度向量中每一个tuple的马尔科夫概率；步骤1.3：计算各个宏基因组样本频度向量间的相异度距离，生成一个宏基因组样本间的相异度矩阵；步骤1.4：根据相异度矩阵生成一个聚类树，用于判断宏基因组样本与样本之间的关系，找出样本的类别信息。