[发明专利]一种病原微生物参考知识库的最大多样性聚类构建方法

权利要求书

1.一种病原微生物参考知识库的最大多样性聚类构建方法，其特征在于，包括：

步骤1：收集病原微生物的全基因组序列，获得所有病原微生物的总冗余基因组R；

步骤2：根据病原微生物的界的分类对所述总冗余基因组R进行分箱，将每一种类的病原微生物的冗余基因组R_x作为独立集分别构建参考知识库Q_x；其中，x为大于0的整数，代表病原微生物的种类数；所述参考知识库Q_x的构建方法包括：

(1)将冗余基因组R_x进行索引，然后采用多进程模式进行并行排序，获得原始冗余集R_x’；

(2)将原始冗余集R_x’中序列最长的确定为核心基因组序列S₁，将剩余序列S_n分别与S₁进行比对，获得每条S_n序列与S₁相匹配的子序列集A；对子序列集A进行序列聚类，得到子序列集A的扩展最大精确匹配子序列集A'；其中，n为原始冗余集R_x’的序列总数，n为≥2的整数；

(3)计算S₁和S_n之间的扩展相似性S_extended；计算公式为S_extended＝Length(A')/Length(S₁)，其中，Length(A')和Length(S1)为序列中碱基的个数；将S_extended取值范围在0～100％之间的序列标记为冗余基因组序列，否则标记为核心基因组序列，计算获得核心基因组集C₁和冗余序列集R₁；

(4)将获得的核心基因组集C₁作为参考基因组，将原始冗余集R_x’中除C₁和R₁外的剩余序列标记为T₁，将T₁中的序列逐条与C₁的所有序列按照步骤(2)～(3)的方法进行比对；所述比对方法具体为：

C1中的每条序列对应步骤(2)中的S₁，任意取C₁中的一条序列记为S₁’；T₁中的每条序列对应步骤(2)中的S_n，任意取T₁中的一条序列记为Sn’；那么，将S_n’与S₁’按照步骤(2)进行比对，如果满足步骤(3)中的扩展相似性S_extended阈值，S_n’被标记为冗余序列；如果不满足步骤(3)中的扩展相似性S_extended阈值，则S_n’继续与C₁中的其他序列进行比对，如果均不满足步骤(3)中的扩展相似性S_extended阈值，则S_n’被标记为核心基因组；当T₁中的所有序列都被标记完成后，将T₁中的所有核心基因组序列与C₁合并得到核心基因组集C₂；

(5)将C₂作为参考基因组，将原始冗余集R_x’中除了R₂和C₂之外的所有剩余序列标记为T₂，将T₂中的序列逐条与C₂的序列进行比对，当T₂中的所有序列都被标记完成后，将T₂中的所有核心基因组序列与C₂合并得到核心基因组集C₃；

依次类推，将每一轮比对结束后获得的核心基因组集C_m作为下一轮比对的参考基因组，m为≥1的整数；将原始冗余集R_x’中除了R_m和C_m之外的所有剩余序列标记为T_m，将T_m中的序列逐条与C_m的序列进行比对，当T_m中的所有序列都被标记完成后，将T_m中的所有核心基因组序列与C_m合并得到核心基因组集C_m+1；依次循环比对，直至原始冗余集R_x’的剩余序列为空，即所有的序列被标记为核心序列或冗余序列，循环结束；形成核心基因组集C和冗余集R，核心基因组集C即为参考知识库Q_x；

步骤3：按照步骤(1)～(5)分别构建得到每类病原微生物的参考知识库Q₁～Q_x，合并，获得病原微生物参考知识库。