一种mhc补全数据库、其构建方法和应用
【技术领域】
[0001] 本申请涉及基因数据库领域，特别是涉及一种MHC补全数据库，该数据库的构建 方法和所构建的数据库的应用。
【背景技术】
[0002] 主要组织相容性复合体（Major histocompatibility complex，简称MHC)是脊椎 动物的高度多态性基因群。它早期源于解释器官移植中受体排斥供体组织细胞的现象。在 进化过程中，MHC在物种之间和种群的个体之间都产生了明显差异。物种之间的差异主要是 基因结构的不同，其遗传基础是等位基因的点突变，即核苷酸发生替换。产生MHC多态性的 原因主要是环境中病原压力。许多研究已经证实了 MHC与复杂疾病尤其是自免疫疾病密切 相关，而且也探明了一些与这些疾病相关的MHC的型别，单倍型或MHC分子中的特定位点。 但是由于MHC区域序列的高度多态性和强的连锁不平衡性，致使很多真正的致病位点仍没 有很好地被鉴定出来。
[0003] 目前的疾病研究大多是基于genotyping芯片的全基因组关联分析（Genome-wide association study，简称GWAS)研究，没有对MHC区域进行全覆盖测序，所以容易漏掉一些 关键的致病位点，这就需要我们对这些区域的位点进行补全。但是，MHC区域片段的高度重 复性，容易造成比对结果的假阳性bais，影响MHC数据库的准确性。
【发明内容】
[0004] 本申请的目的是提供一种高度准确的MHC补全数据库的构建方法，其构建的MHC 补全数据库，以及该数据库的应用。
[0005] 为了实现上述目的，本申请采用了以下技术方案：
[0006] 本申请一方面公开了一种MHC补全数据库的构建方法，包括：
[0007] (1)从人类基因组DNA样品中分离出MHC区域的片段，对分离的MHC片段进行测 序，将测序结果与人类基因标准序列比对，采用变异检测软件对比对结果进行检测校正，获 得DNA样品的变异基因型数据；
[0008] (2)按以下条件对步骤（1)获得的DNA样品变异基因型数据进行筛选，
[0009] a.在群体中测序深度彡X的位点，X彡6，
[0010] b.在群体中数据的缺失率〈0· 05的位点，
[0011] C.等位基因碱基型出现次数大于一次的位点，
[0012] 获取满足以上三个条件的位点，然后过滤掉以下条件的位点，
[0013] d.在群体中连锁不平衡值LD = 0的位点，
[0014] e.在群体中哈温平衡指标log (HWE)彡600的位点，
[0015] 剩下的位点组成genotype数据集；
[0016] (3)采用分型软件对步骤（2)获得的genotype数据集进行分析，得到每个DNA样 品的HLA分型的型别数据集；
[0017] (4)统计每个HLA分型的SNP，将统计的各个分型的SNP与IMGT数据库中相应分 型的SNP相比较，如果两者不同，则把统计的SNP翻译成氨基酸，从而得到每个分型对应的 氨基酸改变信息数据集；
[0018] (5)根据步骤（4)统计的每个HLA分型的SNP，比较各个HLA分型的SNP数据集， 获得数量最少的，且能够区分各个HLA分型的SNP区分数据集，对SNP区分数据集进行 phasing分析，获得每个分型的HLA单体型数据集；
[0019] (6)将genotype数据集、HLA分型的型别数据集、氨基酸改变信息数据集和HLA单 体型数据集合成为一个数据库，即MHC补全数据库。
[0020] 优选的，DNA样品包括采集自至少205个个体的样品，更优选的，采集自至少1066 个个体的样品。需要说明的是，理论上讲样品数量越多，MHC区域的信息越全面，即MHC补 全数据库所包含的信息越能全面的反应MHC区域的所有变异、分型、氨基酸改变等信息；但 是，采集的样品越多，建库的成本越高，因此，本申请中采集205个样品即可保障所构建的 MHC补全数据库对现实的MHC区域的信息覆盖率大于95 %，可以满足使用需求，而采集1066 个样品，其覆盖率可达到99%以上；可以理解，采集的样品少于205个时，覆盖率会相对减 小，对于一些特殊用途的数据库，不需要太高的覆盖率，因此也可以使用少于205个样品进 行建库，对此本申请不做具体限定。还需要说明的是，本申请的一种实现方式中，采集了 8906个样品，其构建的MHC补全数据库，是目前世界上最全面的MHC区域的数据库，本申请 中205个样品和1066个样品的覆盖率都是以8906个样品的数据库为全数据库计算的。
[0021] 优选的，步骤（1)中的变异检测软件为GATK、SAMT00LS或S0APSNP，优选的，变异 检测软件为GATK。
[0022] 优选的，步骤（3)中的分型软件为S0APHLA分型软件。
[0023] 优选的，步骤（6)中采用PLINK的merge命令把genotype数据集、HLA分型的型 别数据集、氨基酸改变信息数据集和HLA单体型数据集合成为一个数据库。
[0024] 优选的，人类基因标准序列为hgl8。
[0025] 本申请的另一面公开了一种MHC补全数据库，该数据库包括合成在一起的 genotype数据集、HLA分型的型别数据集、氨基酸改变信息数据集和HLA单体型数据集；其 中，genotype数据集包含所有MHC区域的单核苷酸多态性位点和插入删除多态性位点的信 息；HLA分型的型别数据集包含所有MHC区域的个体型别信息；氨基酸改变信息数据集包含 所有MHC区域的各个型别所对应的氨基酸的改变信息；HLA单体型数据集包含所有MHC区 域的HLA单体型的信息。
[0026] 优选的，本申请的MHC补全数据库采用本申请的构建方法构建。需要说明的是，本 申请的MHC补全数据库是对MHC区域的变异情况的补充，使得该区域的信息更为全面，以方 便GWAS疾病位点的分析研究；本申请的数据库构建方法只是本申请研发的一套简单有效 的建库方法，不排除其它建库方法也可以用于本申请的MHC补全数据库的构建。
[0027] 本申请的再一面还公开了本申请的MHC补全数据库的一种应用，具体包括，提供 了一种采用本申请的MHC补全数据库计算建库所需的有效DNA样品数量的方法，包括以下 步骤：
[0028] (a)设定数据库中的全部数据集的数量为Ta ;
[0029] (b)从数据库的所有样品中随机抽取N个样品，N个样品包含的数据量为Na，N个 样品对数据库全部数据集Ta的覆盖率Cov = Na/Ta，其中N彡1 ;
[0030] (c)逐步增加随机抽取样品的数量，即逐步增大N值，直至N个样品的覆盖率Cov 大于或等于预设值，此时样品数量N即本申请的建库所需的有效DNA样品数量。
[0031] 优选的，预设值大于等于0.95。需要说明的是，本申请的建库所需的有效DNA样 品数量是指构建本申请的MHC补全数据库所需要的有效DNA样品数量，本申请的MHC补全 数据库作为一个更为全面的体现MHC区域信息的数据库，所使用的样品越多，自然越接近 本申请的MHC补全数据库，但是考虑到建库成本问题，对本申请的MHC补全数据库覆盖率大 于0. 95的样品数量基本可以满足使用需求，因此，本申请的预设值大于等于0. 95。可以理 解，在一些更为基础的或者一些特殊的使用中，所要求的覆盖率可以更低，对此本申请不做 具体限定。
[0032] 由于采用以上技术方案，本申请的有益效果在于：
[0033] 本申请的MHC补全数据库的构建方法首次采用LD和HWE进行变异结果的过滤， 提高了数据准确性；采用简单易操作的方法获得一个数量最少的SNP区分数据集，然后在 phasing分析得到MHC单体型信息，相比于用整个SNP数据集进行phasing,本申请的构建 方法更节约时间、减少CPU和内存使用，并且得到的单体型信息更准确。采用本申请的建构 方法构建的MHC补全数据库，包含了 MHC区域的多种数据集，能够有效的补全位点，为MHC 区域的研究奠定了基础。
【附图说明】
[0034] 图1 :是本申请实施例中GATK软件检测变异的准确性评估结果；
[0035] 图2 :是本申请实施例中SAMT00LS软件检测变异的准确性评估结果；
[0036] 图3 :是本申请实施例中S0APSNP软件检测变异的准确性评估结果；
[0037] 图4 :是本申请实施例中连锁不平衡性（LD)与位点遗传中的哈温平衡（HWE)之间 的关系，横