鼠疫耶爾森氏菌基因組重注釋及其跨組學(xué)數(shù)據(jù)庫(kù)系統(tǒng)的構(gòu)建.pdf

1、鼠疫耶爾森氏菌（Yersinia pestis）是一種能夠引起致命全身感染的高危細(xì)菌，世界上曾發(fā)生過(guò)三次鼠疫大流行，死亡人數(shù)過(guò)億。根據(jù)WHO的數(shù)據(jù)，僅2001-2015年間，全球就發(fā)生18次鼠疫公共安全事件。中國(guó)目前已經(jīng)發(fā)現(xiàn)12塊典型的鼠疫自然疫源地，分布于15個(gè)省，占國(guó)土陸地總面積的15％。
　　自2001年Sanger實(shí)驗(yàn)室發(fā)表第一株鼠疫菌CO92全基因組起，目前已有12株鼠疫菌的完成圖序列被公布，且都進(jìn)行了基因組注釋工作。由

2、于高通量實(shí)驗(yàn)技術(shù)的快速發(fā)展，鼠疫菌各方面研究工作產(chǎn)出了大量數(shù)據(jù)，對(duì)其致病和傳播的理論認(rèn)識(shí)也得到提高。因此重新審視基于過(guò)去知識(shí)的基因組注釋時(shí)發(fā)現(xiàn)：原有信息存在諸多局限性甚至錯(cuò)誤，而且這些錯(cuò)誤信息會(huì)隨著以同源序列比對(duì)為基礎(chǔ)的注釋工作被不斷復(fù)制、放大、擴(kuò)散。研究者曾使用比較基因組學(xué)、轉(zhuǎn)錄組和蛋白基因組學(xué)方法對(duì)個(gè)別鼠疫菌基因組進(jìn)行了重注釋，但這些注釋側(cè)重于基因功能矯正和發(fā)現(xiàn)新基因等方面，數(shù)據(jù)內(nèi)容不夠全面。因此需要?dú)w納、整合、完善已有鼠疫菌知識(shí)庫(kù)

3、，在過(guò)去基因組注釋結(jié)果基礎(chǔ)上，通過(guò)增加新的實(shí)驗(yàn)數(shù)據(jù)、使用改進(jìn)的算法對(duì)序列進(jìn)行重新分析、修正可能存在的注釋錯(cuò)誤，以進(jìn)一步完善鼠疫菌基因組注釋結(jié)果，最終達(dá)到系統(tǒng)化加深鼠疫菌功能、生物行為和致病機(jī)理認(rèn)識(shí)的目的。
　　數(shù)據(jù)共享是推動(dòng)研究知識(shí)進(jìn)步的重要方法。但除了大型公共數(shù)據(jù)庫(kù)外，僅有極少數(shù)原核模式生物（例如大腸桿菌）建立了組學(xué)數(shù)據(jù)庫(kù)。因此為了給研究者提供更加完整、準(zhǔn)確、且易于查用的鼠疫菌注釋信息，有必要在收集整合鼠疫菌多種類型實(shí)驗(yàn)數(shù)據(jù)和重

4、注釋結(jié)果基礎(chǔ)上，建立了針對(duì)該物種的跨組學(xué)數(shù)據(jù)庫(kù)系統(tǒng)。
　　本研究工作的主要數(shù)據(jù)來(lái)源包括：①基因組序列。NCBI提供的12株鼠疫菌的完成圖，它們是注釋的基礎(chǔ)；②91001的蛋白組質(zhì)譜數(shù)據(jù)。質(zhì)譜結(jié)果是一種格式化、標(biāo)準(zhǔn)化的數(shù)據(jù)，篩選后可以方便地使用，同時(shí)這類數(shù)據(jù)直接來(lái)源于實(shí)驗(yàn)，數(shù)據(jù)質(zhì)量高；③RNA-seq數(shù)據(jù)，來(lái)源于對(duì)91001菌株進(jìn)行的RNA測(cè)序；④表達(dá)譜數(shù)據(jù)。來(lái)自91001基因芯片實(shí)驗(yàn)，這些數(shù)據(jù)顯示基因在多種環(huán)境下的表達(dá)量，雖然暫時(shí)

5、難以在注釋中使用，但是可以為研究人員提供一個(gè)參考。此外，補(bǔ)充了文獻(xiàn)中發(fā)表的相關(guān)數(shù)據(jù)。
　　數(shù)據(jù)重注釋工作包括兩部分，第一部分是數(shù)據(jù)預(yù)處理。首先，結(jié)合多組學(xué)數(shù)據(jù)和生物信息軟件、數(shù)據(jù)庫(kù)，采用de novo從頭注釋的方法，共同完成重注釋工作。從基因預(yù)測(cè)開(kāi)始，重新鑒定CDS區(qū)，修正部分基因的起始位點(diǎn)；結(jié)合多個(gè)蛋白注釋數(shù)據(jù)庫(kù)，確定基因的功能；對(duì)于非基因區(qū)，采用預(yù)測(cè)工具、數(shù)據(jù)庫(kù)和文獻(xiàn)注釋出 ncRNA；最后，在全基因組范圍，注釋出重復(fù)序列、移

6、動(dòng)元件注釋工具等。第二部分是數(shù)據(jù)整理和分析。數(shù)據(jù)經(jīng)過(guò)分類、篩選，確定數(shù)據(jù)標(biāo)準(zhǔn)，進(jìn)行標(biāo)準(zhǔn)化處理過(guò)程，完成后進(jìn)行基因同源性分析、等位基因性分析等。整個(gè)過(guò)程需要對(duì)30多種軟件和數(shù)據(jù)庫(kù)進(jìn)行本地化和使用。
　　跨組學(xué)數(shù)據(jù)庫(kù)是一個(gè)以若干組學(xué)數(shù)據(jù)庫(kù)表為基礎(chǔ)的數(shù)據(jù)庫(kù)，不同類型數(shù)據(jù)之間存在密切的相互聯(lián)系。構(gòu)建數(shù)據(jù)庫(kù)時(shí)采用信息系統(tǒng)的處理方法，結(jié)合鼠疫菌的生物學(xué)特點(diǎn)，確定研究目標(biāo)后，從研究人員的需求出發(fā)，首先進(jìn)行需求分析，評(píng)估系統(tǒng)的可行性，了解功能和業(yè)

7、務(wù)需求，初步制定出數(shù)據(jù)標(biāo)準(zhǔn)，并構(gòu)建出數(shù)據(jù)模型；然后根據(jù)數(shù)據(jù)模型，進(jìn)行組學(xué)數(shù)據(jù)庫(kù)的結(jié)構(gòu)設(shè)計(jì)和功能設(shè)計(jì)；最終基于MySQL關(guān)系數(shù)據(jù)庫(kù)，使用Python Django框架進(jìn)行web service系統(tǒng)的開(kāi)發(fā)。
　　結(jié)合基因組、蛋白組、轉(zhuǎn)錄組等多組學(xué)數(shù)據(jù)和上述方法，本研究首先對(duì)鼠疫菌91001株進(jìn)行了全面的重注釋：移除了137個(gè)不可靠的編碼區(qū)；修正了41個(gè)基因起始位點(diǎn)、以及7個(gè)假基因和392個(gè)假想基因的功能；增加了ncRNA、重復(fù)序列、移

8、動(dòng)元件等特殊基因組元件和基因組片段多樣性的注釋。通過(guò)對(duì)信息分析算法和軟件等的梳理整合，建立起可應(yīng)用于其他鼠疫菌的半自動(dòng)化重注釋工作流程；并進(jìn)一步將該流程應(yīng)用于其他11株鼠疫菌完成圖序列。最后，采用關(guān)系數(shù)據(jù)庫(kù)和web框架，構(gòu)建了基于互聯(lián)網(wǎng)絡(luò)的鼠疫菌跨組學(xué)數(shù)據(jù)庫(kù)系統(tǒng)——TODY分析平臺(tái)（http://tody.bmi.ac.cn/），方便研究者對(duì)重注釋數(shù)據(jù)進(jìn)行查詢和使用。在等位基因多樣性處理和Web service服務(wù)系統(tǒng)實(shí)現(xiàn)的過(guò)程中，采用

9、了并行計(jì)算技術(shù)和分布式調(diào)度系統(tǒng)，大大減少了計(jì)算時(shí)間，為下一步大規(guī)模數(shù)據(jù)分析和處理提供知識(shí)儲(chǔ)備和技術(shù)支持。
　　本工作融合了生物實(shí)驗(yàn)、生物學(xué)知識(shí)、生物信息工具和計(jì)算機(jī)技術(shù)，對(duì)明確鼠疫菌基因組的結(jié)構(gòu)和功能，揭示其更多的生物學(xué)特性具有重要意義。下一步我們將增加更多的相關(guān)文獻(xiàn)數(shù)據(jù)和實(shí)驗(yàn)數(shù)據(jù)，不斷豐富、充實(shí)鼠疫菌組學(xué)數(shù)據(jù)庫(kù)；通過(guò)實(shí)驗(yàn)進(jìn)行重注釋結(jié)果的準(zhǔn)確性驗(yàn)證；尋找合適的數(shù)據(jù)挖掘模型，進(jìn)行深層次的數(shù)據(jù)分析，構(gòu)建出鼠疫菌知識(shí)庫(kù)；不斷完善web