本發明涉及一種病原微生物基因組數據庫及其建立方法，屬于宏基因組技術領域。該方法包括以下步驟：數據獲取：獲取病原微生物基因組數據；菌株基因組篩選：按照預定篩選規則選取物種菌株基因組；去除質粒序列：去除上述得到的菌株基因組中存在的質粒序列；過濾：按照預定過濾規則，去除標注信息有誤、染色體組裝不完整，以及分類錯誤的菌株，得到該物種的參考菌株基因組；構建融合基因組：將上述參考菌株基因組打斷，去除冗余，重新組裝，再將序列重新拼接，得到該物種的融合基因組；組庫：重復上述步驟，得到預定物種的融合基因組，匯總，即得病原微生物基因組數據庫。該基因組數據庫既有準確率高的優點，又具有分析時效短，節約成本的優勢。

技術領域

本發明涉及宏基因組技術領域，特別是涉及一種病原微生物基因組數據庫及其建立方法。

背景技術

病原宏基因(轉錄)組測序是一種應用于臨床病原感染檢測的新興技術，具有檢測病原種類廣、靈敏度高、準確度高、時效快等優點，正在逐漸成為臨床一線的病原感染檢測手段。而病原宏基因組技術核心之一是病原微生物基因組數據庫，數據庫的質量直接影響著病原宏基因組檢測的病原微生物種類數、準確度及分析性能等。

病原微生物基因組數據庫是由多種物種的基因組構成的，大部分都收集于NCBI等公共數據庫，經過篩選、加工構建而成。在公共數據庫中，每個物種可能測有多個不同的菌株基因組，如何選擇、加工這些菌株基因組來代表該物種是一個難題。

目前大多數宏基因組分析的流程都只是隨機或通過聚類等分析后選取其中一株作為該物種的代表基因組，或不加選擇地將全部菌株納入到數據庫中，這兩種方法都各有優缺點。只選取一株作為代表的方法的優點是構建的數據庫數據量比較小，分析時效快，但是缺點也比較突出，因為微生物基因組進化較快，同一個物種的菌株間的基因組存在差異，不同地區、不同時間，甚至是同時分離的不同菌株測序的基因組就可能存在差異，部分進化較快的物種菌株間的基因組差異可達3％以上。

目前病原宏基因組在臨床實際應用中，大多數病原體的檢出序列數在幾十到幾百之間，甚至是個位數，基因組覆蓋率在0.1％以下，而菌株間基因組的突變率已高達3％以上，甚至含有特有序列，因此對于只選取一株作為物種代表基因組的方法，0.1％覆蓋率的檢出難以覆蓋突變區域或特有序列區，常常會造成漏檢而得出假陰的檢測結果。

而將同一物種所有菌株基因組納入數據庫的方法則可以有效避免這種情況的漏檢，但這方法的缺點也尤為明顯。一方面，將所有菌株基因組納入以后，數據庫數據量變得很大，導致分析時間變得很長，甚至需要一天以上，這對臨床應用的時效要求是難以接受的，往往早一個小時就可能多救治一個病患，同時對計算服務器或集群的資源需求也極大增加，分析成本大大增加；另一方面，來源于公共數據庫的菌株基因組的測序質量參差不齊，部分菌株含有污染序列，甚至含有分類錯誤的菌株，如果不加以篩選過濾，就容易導致假陽的結果產生，給臨床診治帶來極大的困擾。

發明內容

基于此，有必要針對上述問題，提供一種病原微生物基因組數據庫及其建立方法，采用該方法得到的基因組數據庫，既有準確率高的優點，又具有分析時效短，節約成本的優勢。

一種病原微生物基因組數據庫的建立方法，包括以下步驟：

數據獲取：獲取病原微生物基因組數據；

菌株基因組篩選：按照預定篩選規則選取物種菌株基因組；

去除質粒序列：去除上述得到的菌株基因組中存在的質粒序列；

過濾：按照預定過濾規則，去除標注信息有誤、染色體組裝不完整，以及分類錯誤的菌株，得到該物種的參考菌株基因組；

構建融合基因組：將上述參考菌株基因組打斷，得到序列集，將上述序列集中的序列通過比較去除冗余，再對非冗余數據集進行組裝得到重新組裝的基因組，并過濾低質量的Contigs，根據長度將Contigs從大到小重新拼接，得到該物種的融合基因組；