具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

基于DNA或RNA技术对物种的鉴定和分类多依赖于保守序列，这种依赖保守序列的物种鉴定方式常见于16S(细菌)、18S(高等真核生物)、ITS(真菌)以及关键基因(病毒)，其中，保守序列是指在进化过程中基本保持不变的DNA分子中的核苷酸片段。相关技术中，基于保守序列的物种鉴定方法对很多物种只能鉴定到科或属的水平，无法鉴定到种内和种间水平；并且，各步骤间需要配备不同专业的人员，依赖操作人员的技术和经验。

为了解决上述问题，本发明采用K-mer查找物种唯一的基因片段序列或序列组合，并将物种唯一的基因片段序列或序列组合作为该物种的识别标签，以达到更高效地完成物种识别标签查找、检测、分类及统计的效果；

其中，K-mer是将序列分成包含K个碱基的字符串，一个长短为N的序列可以切分为N-K+1个K-mers子序列；生物体中常见的碱基有5种，分别是腺嘌呤(A)、鸟嘌呤(G)、胞嘧啶(C)、胸腺嘧啶(T)和尿嘧啶(U)。

本发明实施例提供了一种物种基因识别标签的查找方法，如图1所示，该方法包括如下的步骤S1至步骤S4：

步骤S1：接收输入的目标物种，并将所述目标物种在序列名称总核酸库中检索比对，获取所述目标物种的物种信息，所述物种信息包括核酸序列、物种分类地位及名称；

输入的待查找目标物种可以是目标物种的中文名、拉丁名、全基因组序列或局部序列中的任意一种，可以基于物种局部序列或全基因组序列范围查找；并且，如果输入的全基因组序列或局部序列为RNA序列，则自动转换为DNA序列。接收输入的待查找目标物种后，序列名称总核酸库完成检索比对全自动化流程搭建，并且根据输入的不同可以获取到目标物种不同的物种信息，物种信息中的核酸序列根据输入的不同可以是全基因组序列，也可以同时包括全基因组序列和局部序列。

具体而言，如果输入的待查找目标物种为目标物种的中文名、拉丁名或全基因组序列，则核酸序列是全基因组序列，获取目标物种的物种分类地位及名称、全基因组序列；如果输入的待查找目标物种为目标物种的局部序列，则核酸序列同时包括全基因组序列和局部序列，获取目标物种的物种分类地位及名称、全基因组序列和局部序列。本发明输入的待查找目标物种可以是全基因组序列，也可以是局部序列，可以基于物种局部序列或全基因组序列范围查找，并且，还可以实现对单一物种或多物种完成识别标签同步查找；在输入待查找目标物种或序列后可以全自动化进行分析和计算，节省了大量人工参与的环节。

具体的，在步骤S1中的所述接收输入的目标物种之前，所述方法还包括：

获取物种全基因DNA和RNA序列，所述物种全基因DNA和RNA序列包括NT数据库；通过下载获取目前已报道的物种全基因DNA和RNA序列，包括NT数据库(核酸序列数据库)；

将所述RNA序列反转录转换为DNA序列，构建序列名称总核酸库。针对获取的RNA序列，将RNA序列反转录转换为DNA序列，完成DNA序列反转录转换之后，构建数据库，将所构建的数据库命名为序列名称总核酸库。

步骤S2：根据所述核酸序列和物种分类地位及名称进行比对，得到第一比对结果；

具体的，步骤S2中的所述根据所述核酸序列和物种分类地位及名称进行比对，得到第一比对结果，包括：

根据所述物种分类地位及名称，从所述序列名称总核酸库中抽取目标物种所在属的序列和名称，形成目标物种所在属序列池；

将所述核酸序列进行K-mer切分，形成各K值对应的片段池，并从K值对应的片段池提取名称片段标记库；其中，K-mer是将序列分成包含K个碱基的字符串，一个长短为N的序列可以切分为N-K+1个K-mers子序列，序列可以是DNA序列或RNA序列；

基于配置的第一综合阈值，将K值对应的片段池与所述目标物种所在属序列池进行Blastn比对，得到第一比对结果；其中，所配置的第一综合阈值是进行Blastn比对时设置的参数和指标，Blastn比对属于一种序列比对方式，通过核酸序列与核酸库的比对，直接比对核酸序列的同源性；

其中，所述第一综合阈值包括：比对长度为100％、序列相似度(IDF)不高于95％、比对得分不低于1e-5。序列相似度是指两个片段对应位置相同碱基数目占总碱基数的比例。

具体的，所述将所述核酸序列进行K-mer切分包括：

如果所述核酸序列为全基因组序列，则将所述全基因组序列进行K-mer切分，K起始值为30，步长为1，结束值为300；

如果所述核酸序列为局部序列且所述局部序列的长度大于等于300，则将所述全基因组序列进行K-mer切分，K起始值为30，步长为1，结束值为300；

如果所述核酸序列为局部序列且所述局部序列的长度小于300，则将所述全基因组序列进行K-mer切分，K起始值为30，步长为1，结束值为局部序列的长度。即如果局部序列足够长，则结束值为300，如果局部序列长度不足300，则以局部序列的实际长度作为结束值。

通过步骤S1、S2，比对目标物种与所在属中各物种的序列相似度，有效增加了物种鉴定的种内识别的范围和准确度。

步骤S3：按照序列相似度所处范围将所述第一比对结果进行分类，形成各范围序列相似度对应的片段池，并将范围序列相似度对应的片段池与所述序列名称总核酸库进行Blastn比对，得到第二比对结果；按照序列相似度所处范围针对第一比对结果分类，形成序列相似度不同范围队形的片段池，以序列相似度为参考指标，序列相似度起始范围为0％～5％，步长为5％，结束范围为90％～95％。

具体的，步骤S3中的所述将范围序列相似度对应的片段池与所述序列名称总核酸库进行Blastn比对，得到第二比对结果，包括：

基于配置的第二综合阈值，将范围序列相似度对应的片段池与所述序列名称总核酸库进行Blastn比对，剔除与其它物种上序列相似度高于预设值的序列，得到第二比对结果；所配置的第二综合阈值是进行Blastn比对时设置的参数和指标；

其中，所述第二综合阈值包括：比对长度为100％、序列相似度高于95％、比对得分不低于1e-5。

通过步骤S3，将目标物种上与其他物种序列相似度高的序列剔除，即剔除识别标签外的非特征标签，有效增加了物种鉴定的种间识别的范围和准确度。

步骤S4：基于配置的剔除序列控制指标对所述第二比对结果进行自动质控，获取物种特征标签，并将所述物种特征标签与名称片段标记库进行Blastn比对，得到目标物种的第一识别标签和第一识别阈值。本发明中，物种的识别标签指的是可以用于识别物种的物种唯一的基因片段序列或序列组合；本发明通过将第一识别标签和第一识别阈值结合，突破了传统的基于保守序列鉴定物种的方法，并且突破了97％鉴定物种的方法，有效增加了物种鉴定的种内和种间识别的范围和准确度，可以快速、精准、高效地完成对物种特有识别标签的查找。

具体的，步骤S4中的所述基于配置的剔除序列控制指标对所述第二比对结果进行自动质控，获取物种特征标签，并将所述物种特征标签与名称片段标记库进行Blastn比对，得到目标物种的第一识别标签和第一识别阈值，包括：

基于配置的剔除序列控制指标对所述第二比对结果进行自动质控，所述自动质控的剔除序列控制指标包括：GC含量高于70％，碱基多连续排列；其中，GC含量又称为G+C比值或GC比值，在序列中，鸟嘌呤(G)与胞嘧啶(C)含量之和所占的比率称为GC含量，计算公式为：[(G+C的总数量)/(A+T+C+G的总数量)]*100％；碱基多连续排列可以是8个及以上碱基连续排列；

获取物种特征标签、区分阈值和K-mer值；

基于配置的剔除指标，将所述物种特征标签与名称片段标记库进行Blastn比对，剔除重复片段及序列相似度高于预设值的位置，得到目标物种的第一识别标签和第一识别阈值；其中，预设值可以为95％；

其中，所述剔除指标以比对长度为100％、序列相似度不高于95％、比对得分不低于1e-5为第三综合阈值。所配置的剔除指标、第三综合阈值是进行Blastn比对时设置的参数和指标。

通过步骤S4，剔除重复片段及高相似度序列位置，排除同物种间特征标签近似序列多位置出现，获得目标物种的第一识别标签及第一识别阈值。

具体的，在步骤S4之后，所述方法还包括：

将步骤S4中的所述第一识别标签作为下一核酸序列，重复步骤S2至S4，得到目标物种的第二识别标签及第二识别阈值。通过步骤S4获得的目标物种的第一识别标签及第一识别阈值，为目标物种的物种信息初次通过步骤S2至S4后得到的初步模糊大致的识别标签及识别阈值，为了最终获得目标物种更准确的识别标签及识别阈值，将得到的第一识别标签作为下一核酸序列，再次通过步骤S2至S4进行物理重复，得到准确的识别标签及识别阈值，即第二识别标签及第二识别阈值。

获取到第一识别标签后，可以通过重复步骤S2至S4，得到目标物种更准确的第二识别标签及第二识别阈值。针对进一步获取到的物种基因的第二识别标签可以更精准地检测，围绕检测结果可以更高效分析完成物种分类及统计。

本发明实施例提供的一种物种基因识别标签的查找方法，流程图如图2所示。其中包括：

第一步：构建序列名称总核酸库；

第二步：检索比对；

第三步：获取该物种两个信息或三个信息；

第四步：形成物种所在属的片段标签池(物种序列池)；

第五步：形成每个K值对应的片段池(K＝30、31…300)；

第六步：对每个K值对应的片段池(第五步结果)与目标物种所在属的片段标签池(第四步结果)进行Blastn对比；

第七步：针对比对结果分类，形成队形的片段池，例如IDF 0％～5％K-mer片段池；

第八步：针对片段池与序列名称总核酸库进行Blastn比对；

第九步：自动化质控，获取物种特征标签及区分阈值、K-mer值；

第十步：针对已获得的特征标签与名称片段标记库进行Blastn比对，获得物种识别标签及识别阈值。

另外，还可以包括第十一步：重复第五步至第十步，进一步获得更准确的物种识别标签及识别阈值。

本发明利用K-mer方法查找物种唯一的基因片段序列或序列组合作为该物种的识别标签，以达到更高效完成物种识别标签查找、检测、分类及统计。本发明可以对单一物种或多物种完成识别标签同步查找，并且，在输入待查找目标物种或序列后可以全自动化进行分析和计算，节省大量人工参与的环节。

从以上的描述中，可以看出，本发明实现了如下技术效果：

第一，本发明利用K-mer方法查找物种唯一的基因片段序列或序列组合作为该物种的识别标签，达到了更高效地完成物种识别标签查找、检测、分类及统计的效果；

第二，可以快速、精准、高效完成对物种特有识别标签进行查找；

第三，可以对单一物种或多物种完成识别标签同步查找；

第四，可以基于物种局部序列或全基因组序列范围查找；

第五，识别标签与识别阈值结合，突破了传统的基于保守序列鉴定物种的方法，并且突破了97％鉴定物种的方法，有效增加了物种鉴定的种内和种间识别的范围和准确度；

第六，本发明在输入待查找目标物种或序列后可以全自动化进行分析和计算，节省大量人工参与的环节；

第七，针对获取到的基因识别标签可以精准检测，围绕检测结果可以更高效分析完成物种分类及统计。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本发明实施例还提供了一种用于实施上述物种基因识别标签的查找方法的物种基因识别标签的查找装置，如图3所示，该装置包括：

检索比对单元31，用于接收输入的目标物种，并将所述目标物种在序列名称总核酸库中检索比对，获取所述目标物种的物种信息，所述物种信息包括核酸序列、物种分类地位及名称；

比对单元32，用于根据所述核酸序列和物种分类地位及名称进行比对，得到第一比对结果；

Blastn比对单元33，用于按照序列相似度所处范围将所述第一比对结果进行分类，形成各范围序列相似度对应的片段池，并将范围序列相似度对应的片段池与所述序列名称总核酸库进行Blastn比对，得到第二比对结果；

查找单元34，用于基于配置的剔除序列控制指标对所述第二比对结果进行自动质控，获取物种特征标签，并将所述物种特征标签与名称片段标记库进行Blastn比对，得到目标物种的第一识别标签和第一识别阈值。

本发明实施例还提供了一种电子设备，如图4所示，该电子设备包括一个或多个处理器41以及存储器42，图4中以一个处理器41为例。

该控制器还可以包括：输入装置43和输出装置44。

处理器41、存储器42、输入装置43和输出装置44可以通过总线或者其他方式连接，图4中以通过总线连接为例。

处理器41可以为中央处理器(Central Processing Unit，简称为CPU)，处理器41还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，简称为DSP)、专用集成电路(Application Specific Integrated Circuit，简称为ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称为FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合，通用处理器可以是微处理器或者任何常规的处理器。

存储器42作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的控制方法对应的程序指令/模块。处理器41通过运行存储在存储器42中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的物种基因识别标签的查找方法。

存储器42可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器42可选包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置43可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置44可包括显示屏等显示设备。

一个或者多个模块存储在存储器42中，当被一个或者多个处理器41执行时，执行如图1所示的方法。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各电机控制方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，简称为ROM)、随机存储记忆体(Random AccessMemory，简称为RAM)、快闪存储器(Flash Memory，简称为FM)、硬盘(Hard Disk Drive，简称为HDD)或固态硬盘(Solid-State Drive，简称为SSD)等；存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。