宏基因組大數(shù)據(jù)分析的質(zhì)量控制流程規(guī)范

鄭廣勇1，楊楨1，曹瑞芳1，劉婉2，李亦學(xué)1,2，張國(guó)慶1,2

1. 中國(guó)科學(xué)院上海生命科學(xué)研究院生物醫(yī)學(xué)大數(shù)據(jù)中心，上海 200031

2. 上海生物信息技術(shù)研究中心，上海 201203

摘要：宏基因組數(shù)據(jù)具有數(shù)據(jù)量大、復(fù)雜度高的特點(diǎn)，從數(shù)據(jù)類(lèi)型來(lái)看，其涵蓋了元數(shù)據(jù)和測(cè)序數(shù)據(jù)。為了保證宏基因組數(shù)據(jù)后續(xù)功能分析的有效性和正確性，需要對(duì)這些元數(shù)據(jù)和測(cè)序數(shù)據(jù)進(jìn)行嚴(yán)格的質(zhì)量控制檢測(cè)。詳細(xì)描述了宏基因組數(shù)據(jù)的質(zhì)量控制流程，包括元數(shù)據(jù)和測(cè)序數(shù)據(jù)的信息檢查、低質(zhì)量片段的過(guò)濾等過(guò)程，從而為宏基因組數(shù)據(jù)分析提供了預(yù)處理的規(guī)范，這將為微生物組大數(shù)據(jù)分析提供堅(jiān)實(shí)的基礎(chǔ)。

關(guān)鍵詞：微生物組；宏基因組；大數(shù)據(jù)分析；二代測(cè)序；質(zhì)量控制

doi:10.11959/j.issn.2096-0271.2018025

論文引用格式：鄭廣勇, 楊楨, 曹瑞芳, 等. 宏基因組大數(shù)據(jù)分析的質(zhì)量控制流程規(guī)范[J]. 大數(shù)據(jù), 2018, 4(3): 3-12.

ZHENG G Y, YANG Z, CAO R F, et al. Quality control of big data analysis for metagenomics[J]. Big Data Research, 2018, 4(3): 3-12.

1? 引言

近年來(lái)，隨著二代測(cè)序技術(shù)及各種高通量組學(xué)技術(shù)的快速發(fā)展，生物醫(yī)學(xué)研究進(jìn)入大數(shù)據(jù)時(shí)代。實(shí)驗(yàn)技術(shù)和信息技術(shù)的發(fā)展，使生物醫(yī)學(xué)數(shù)據(jù)開(kāi)始從萬(wàn)億字節(jié)的TB級(jí)躍升到千萬(wàn)億字節(jié)的EB級(jí)，引發(fā)了后基因組時(shí)代的生物醫(yī)學(xué)研究的深刻變革。生物醫(yī)學(xué)研究已經(jīng)從第一范式的實(shí)驗(yàn)科學(xué)，或快或慢地進(jìn)入第二范式理論科學(xué)、第三范式計(jì)算科學(xué)，直到最新的第四范式數(shù)據(jù)密集型科學(xué)。數(shù)據(jù)質(zhì)量對(duì)大數(shù)據(jù)分析與挖掘的價(jià)值日益凸顯。目前，測(cè)序能力的提升極大地推動(dòng)了包括微生物組學(xué)在內(nèi)的各種組學(xué)的快速發(fā)展，進(jìn)而催生了大量以微生物為主要研究對(duì)象的國(guó)際合作項(xiàng)目，使得微生物組和微生物系統(tǒng)組成為生物醫(yī)學(xué)大數(shù)據(jù)的重點(diǎn)研究方向之一。微生物組是指存在于特定環(huán)境或生態(tài)系統(tǒng)中的微生物以及它們攜帶的遺傳信息和生物學(xué)功能的總和[1]。微生物組與人類(lèi)健康有極為重要的關(guān)系，人體微生物組由數(shù)百至數(shù)千種不同的微生物組成，其細(xì)胞總數(shù)可達(dá)數(shù)萬(wàn)億之多，數(shù)量遠(yuǎn)超人體自身細(xì)胞數(shù)量，其中獨(dú)特的微生物基因數(shù)量多達(dá)2 000萬(wàn)個(gè)，數(shù)目遠(yuǎn)遠(yuǎn)超過(guò)人的基因數(shù)目（大約 2.5 萬(wàn)個(gè)）。通過(guò)對(duì)人體微生物組進(jìn)行研究，可以解析人類(lèi)健康、營(yíng)養(yǎng)、代謝等方面的科學(xué)問(wèn)題。

2 ?國(guó)內(nèi)外相關(guān)研究

目前，宏基因組（metagenome）技術(shù)是微生物組研究的重要手段之一，該技術(shù)利用基因組學(xué)策略研究特定環(huán)境樣品中包含的全部微生物的遺傳組成及其功能模式 [2]。宏基因組技術(shù)直接從環(huán)境樣品中提取DNA樣本，避開(kāi)了傳統(tǒng)的微生物分離培養(yǎng)方法，為研究和利用占微生物種類(lèi)99%以上的不可培養(yǎng)的微生物提供了一種新的途徑和良好的策略。近年來(lái)，高通量測(cè)序技術(shù)的快速發(fā)展為微生物表型及其遺傳機(jī)制的探索提供了新的技術(shù)方案[3]。宏基因組技術(shù)在農(nóng)業(yè)、林業(yè)、環(huán)保、醫(yī)藥等領(lǐng)域都有著廣泛的應(yīng)用，提供了豐富的人體、動(dòng)植物、各類(lèi)環(huán)境的科學(xué)研究數(shù)據(jù)[4-8]。2005年以來(lái)，以國(guó)際宏基因組聯(lián)盟為代表的微生物組研究計(jì)劃帶動(dòng)了很多國(guó)家的相關(guān)研究，例如美國(guó)的人類(lèi)微生物組計(jì)劃（Human Microbiome Project， HMP）[9]和歐盟的人類(lèi)腸道微生物聯(lián)盟（Metagenomics of the Human Intestinal Tract Consortium，MetaHIT）[10]。這些項(xiàng)目的實(shí)施，推動(dòng)了數(shù)據(jù)庫(kù)和數(shù)據(jù)挖掘等基礎(chǔ)研究工作的開(kāi)展，并對(duì)相關(guān)數(shù)據(jù)標(biāo)準(zhǔn)與質(zhì)量控制等提出了新的要求。相對(duì)傳統(tǒng)組學(xué)數(shù)據(jù)而言，宏基因組測(cè)序數(shù)據(jù)量大、涉及的微生物基因組復(fù)雜度高，而且可能存在大量未知物種，傳統(tǒng)的基于單一組學(xué)或單一物種的分析方法無(wú)法直接應(yīng)用于宏基因組研究，針對(duì)宏基因組數(shù)據(jù)的采集、整理、存儲(chǔ)以及后續(xù)研究分析等仍缺乏統(tǒng)一的規(guī)范。因此，宏基因組研究急需建立一套涵蓋樣本信息以及測(cè)序數(shù)據(jù)采集、整理、存儲(chǔ)、交換、分析的數(shù)據(jù)規(guī)范與標(biāo)準(zhǔn)。從數(shù)據(jù)流程看，宏基因組的分析過(guò)程包括元數(shù)據(jù)和測(cè)序數(shù)據(jù)質(zhì)量控制、微生物群落組成分析、群落功能生態(tài)分析、菌群差異功能分析等步驟（如圖1所示）。其中，元數(shù)據(jù)和測(cè)序數(shù)據(jù)質(zhì)量控制是后續(xù)一系列分析的基礎(chǔ)，直接影響整個(gè)分析的完整性和正確性，因而在整個(gè)數(shù)據(jù)分析過(guò)程中具有十分重要的意義。本文對(duì)宏基因組研究中的元數(shù)據(jù)及測(cè)序數(shù)據(jù)的預(yù)處理過(guò)程中的相關(guān)質(zhì)量控制標(biāo)準(zhǔn)進(jìn)行了簡(jiǎn)要探討，從而為宏基因組數(shù)據(jù)分析提供支撐。

圖1 宏基因組數(shù)據(jù)主要分析流程

3 ?宏基因組數(shù)據(jù)質(zhì)量控制

宏基因組的測(cè)序數(shù)據(jù)具有數(shù)據(jù)量大、復(fù)雜度高的特點(diǎn)，其數(shù)據(jù)分析有一些特定的要求，具體而言主要有以下幾個(gè)方面。

● 宏基因組研究中樣本收集、存儲(chǔ)、運(yùn)輸?shù)刃畔⒍紝?duì)微生物菌群差異分析有重要影響，因此需要在元數(shù)據(jù)中記錄這些信息，并在質(zhì)量控制流程中對(duì)元數(shù)據(jù)和測(cè)序數(shù)據(jù)進(jìn)行一致性檢查，以保證后續(xù)分析的正確性。

● 宏基因組研究通常依賴(lài)二代或三代測(cè)序技術(shù)，其測(cè)序速度比一代測(cè)序技術(shù)有顯著提升，但其測(cè)序長(zhǎng)度及準(zhǔn)確度卻有所下降，因此在宏基因組數(shù)據(jù)質(zhì)量控制流程中必須對(duì)數(shù)據(jù)進(jìn)行去噪、剔除接頭、切除無(wú)效序列等操作，以保證結(jié)果的可靠性。

● 與宿主相關(guān)的微生物樣品測(cè)序結(jié)果中通常包含一定數(shù)量的宿主基因片段，這些片段會(huì)對(duì)后續(xù)的微生物菌群分析產(chǎn)生干擾，因此在宏基因組數(shù)據(jù)質(zhì)量控制流程中必須去除這些宿主基因片段，以保證后續(xù)分析的有效性。

● 需要對(duì)樣本的測(cè)序深度進(jìn)行一定的評(píng)估，從而保證不同分組樣本差異分析的需求。

筆者在長(zhǎng)期的微生物組大數(shù)據(jù)分析過(guò)程中，根據(jù)宏基因組的數(shù)據(jù)特點(diǎn)和數(shù)據(jù)分析的要求，提出了一套完整的數(shù)據(jù)質(zhì)量控制流程（如圖2所示），具體包括：元數(shù)據(jù)和測(cè)序數(shù)據(jù)的一致性檢查、測(cè)序數(shù)據(jù)的質(zhì)量檢測(cè)、低質(zhì)量測(cè)序序列的過(guò)濾及切除、接頭序列及無(wú)關(guān)序列的剔除、宿主及污染序列的過(guò)濾、混合樣本的數(shù)據(jù)分割、樣本菌群的組成分析、不同分組樣本的主坐標(biāo)分析（principal coordinate analysis，PCoA）這8個(gè)步驟，下面將對(duì)這些步驟進(jìn)行詳細(xì)論述。

圖2 宏基因組數(shù)據(jù)質(zhì)量控制流程

3.1 元數(shù)據(jù)和測(cè)序數(shù)據(jù)的一致性檢查

元數(shù)據(jù)是對(duì)數(shù)據(jù)進(jìn)行描述的數(shù)據(jù)（data about data），主要對(duì)數(shù)據(jù)的屬性進(jìn)行表述。元數(shù)據(jù)主要包括數(shù)據(jù)來(lái)源、數(shù)據(jù)收集整理模式以及數(shù)據(jù)可靠性等信息，是實(shí)驗(yàn)數(shù)據(jù)的重要組成部分。就宏基因組研究而言，元數(shù)據(jù)提供了項(xiàng)目技術(shù)設(shè)計(jì)、材料來(lái)源、實(shí)驗(yàn)方案、結(jié)果描述等至關(guān)重要的信息[11]。目前國(guó)際基因組標(biāo)準(zhǔn)聯(lián)盟（Genomic Standards Consortium，GSC）已開(kāi)發(fā)了針對(duì)基因組[12]、宏基因組[13]及擴(kuò)增子[14]研究的多種元數(shù)據(jù)標(biāo)準(zhǔn)框架，框架包括組學(xué)數(shù)據(jù)的檢查列表以及取樣環(huán)境描述包（environmental package）。其中，宏基因組數(shù)據(jù)標(biāo)準(zhǔn)框架的制定原則指出，人體樣本和環(huán)境樣本的最少信息集合應(yīng)當(dāng)以樣本為出發(fā)點(diǎn)，保證樣本的基因型和表型關(guān)聯(lián)分析、不同分組樣本的差異分析、樣本菌群組成的機(jī)理研究分析的需求，因此筆者建議宏基因組的元數(shù)據(jù)中應(yīng)當(dāng)包含如下基本信息。

● 人體樣本：個(gè)人基本生理信息、生活行為方式、膳食結(jié)構(gòu)、營(yíng)養(yǎng)狀況、既往病史等信息。

● 環(huán)境樣本：樣本獲取過(guò)程中的采集地點(diǎn)、大氣、水文、溫度、壓力、運(yùn)輸方法、存儲(chǔ)媒介等信息。

同時(shí)，筆者建議使用國(guó)際宏基因組數(shù)據(jù)標(biāo)準(zhǔn)框架制定的標(biāo)準(zhǔn)詞匯來(lái)描述元數(shù)據(jù)，從而給出精確的元數(shù)據(jù)語(yǔ)義信息，進(jìn)而建立可共享的、可被機(jī)器處理的本體支持，利于未來(lái)的數(shù)據(jù)資源整合。在元數(shù)據(jù)完整性檢查完成后，需要開(kāi)展元數(shù)據(jù)與測(cè)序數(shù)據(jù)的一致性檢查，重點(diǎn)檢查測(cè)序數(shù)據(jù)的樣本是否符合元數(shù)據(jù)描述的樣本，查看是否存在數(shù)據(jù)遺漏、差錯(cuò)匹配、錯(cuò)誤標(biāo)注等現(xiàn)象，這些都會(huì)對(duì)后續(xù)的數(shù)據(jù)分析造成嚴(yán)重的影響。這種一致性檢查是數(shù)據(jù)完整性、有效性的重要質(zhì)量控制步驟。

3.2 測(cè)序數(shù)據(jù)的質(zhì)量檢測(cè)

目前，宏基因組研究大都采用二代測(cè)序技術(shù)。以illumina為代表的二代測(cè)序技術(shù)基本都運(yùn)用邊合成邊測(cè)序的策略，在堿基鏈合成的過(guò)程中，隨著合成鏈的增長(zhǎng)， DNA聚合酶的效率會(huì)不斷下降，特異性也逐漸變差，從而造成堿基合成錯(cuò)誤率增高。此外，測(cè)序儀在開(kāi)始進(jìn)行合成反應(yīng)時(shí)，也會(huì)由于反應(yīng)不夠穩(wěn)定帶來(lái)質(zhì)量值的波動(dòng)。測(cè)序數(shù)據(jù)的質(zhì)量好壞會(huì)影響下游的分析，不同測(cè)序平臺(tái)的測(cè)序錯(cuò)誤率存在較大差異，因此在數(shù)據(jù)分析前，需要確定原始數(shù)據(jù)是通過(guò)哪種測(cè)序平臺(tái)產(chǎn)生的、其錯(cuò)誤分布規(guī)律如何、是否存在一定測(cè)序偏向性、是否受序列中堿基含量分布（GC含量）影響等[15]。目前對(duì)原始測(cè)序數(shù)據(jù)進(jìn)行質(zhì)量檢測(cè)，通常使用FastQC和PRINSEQ[16]這兩種檢測(cè)軟件包。FastQC軟件包既有圖形操作界面，又有命令行操作模式，能同時(shí)支持多種文件格式，包括FastQ、SAM和BAM格式等。其測(cè)序質(zhì)量報(bào)告主要包括：讀段（reads）各位置的堿基質(zhì)量值分布、堿基的總體質(zhì)量值分布、reads各個(gè)位置上堿基分布比例、GC含量分布、reads各個(gè)位置的非確定堿基數(shù)目、是否含有測(cè)序接頭序列等。PRINSEQ是另一款常用的測(cè)序質(zhì)量檢測(cè)軟件，其報(bào)告內(nèi)容主要包括：reads數(shù)目以及長(zhǎng)度頻率分布、堿基質(zhì)量頻率分布、序列復(fù)雜度、GC含量、重復(fù)序列及接頭信息等。

3.3 低質(zhì)量測(cè)序序列的過(guò)濾及切除

原始測(cè)序數(shù)據(jù)通常包含測(cè)序分值較低的堿基序列，其處理方式包括過(guò)濾和切除。對(duì)于全長(zhǎng)質(zhì)量都比較低的序列，可直接進(jìn)行過(guò)濾處理；而對(duì)于只有部分片段質(zhì)量較低的序列，則可以通過(guò)片段切除的方法來(lái)處理。最基本的切除方法為設(shè)定特定的切除長(zhǎng)度或剩余長(zhǎng)度，這種方法會(huì)去除部分測(cè)序質(zhì)量較好的片段，從而造成一定的信息損失，因此更為通用的方案是從序列任意一端開(kāi)始，逐個(gè)切除低于質(zhì)量閾值的堿基。如目前較為流行的低質(zhì)量序列切除與過(guò)濾軟件Trimmomatic[17]及PRINSEQ均支持從任意一端開(kāi)始切除低質(zhì)量堿基。另一種方案為滑窗策略，將窗口內(nèi)的堿基質(zhì)量與設(shè)定的閾值進(jìn)行比較，如果滑窗內(nèi)的堿基數(shù)值低于質(zhì)量閾值，則切除整個(gè)滑窗的堿基。用戶(hù)可根據(jù)實(shí)際情況設(shè)置滑窗大小及質(zhì)量閾值。另外，值得注意的是，測(cè)序時(shí)如果無(wú)法判定一個(gè)堿基是哪種堿基，通常標(biāo)記為N字符，不同的組裝比對(duì)軟件對(duì)于N字符的處理方式完全不同，有的用4種堿基隨機(jī)替代N字符，有的則是用固定的某個(gè)堿基替代N字符，由于N字符會(huì)導(dǎo)致錯(cuò)誤的組裝和比對(duì)，因此含N字符較多的序列同樣需要在組裝和比對(duì)前進(jìn)行切除或過(guò)濾操作。

3.4 接頭序列及無(wú)關(guān)序列的剔除

高通量測(cè)序過(guò)程一般會(huì)使用測(cè)序接頭序列，接頭序列的存在可能會(huì)導(dǎo)致基因組組裝和轉(zhuǎn)錄本組裝出現(xiàn)問(wèn)題，因此需要在分析數(shù)據(jù)之前予以去除。此外，其他的測(cè)序標(biāo)簽以及引物片段也需要去除。去除接頭及標(biāo)簽序列是一項(xiàng)比較困難的任務(wù)，首先，這些序列可能存在測(cè)序錯(cuò)誤，需要考慮應(yīng)對(duì)錯(cuò)配、插入缺失片段（indels）以及不確定堿基（N字符）的情況；其次，如果測(cè)序的目標(biāo)序列較短， reads可能會(huì)延伸到3’端的接頭序列。而這種“讀穿”的情況會(huì)導(dǎo)致reads中含有部分3’端的接頭序列無(wú)法被識(shí)別。此外，某些公共來(lái)源的測(cè)序數(shù)據(jù)可能根本無(wú)法知道接頭序列信息。目前較為常用的接頭序列切除軟件包括Trimmomatic[17]、TagCleaner[18]和Cutadapt等。這些軟件均可以應(yīng)對(duì)錯(cuò)配，并允許用戶(hù)指定測(cè)序和標(biāo)簽序列的最小重疊，TagCleaner還可以應(yīng)對(duì)indels以及不確定堿基。假如接頭序列未知，可以先用TagCleaner軟件預(yù)測(cè)，再進(jìn)行后續(xù)的切除。另外，值得注意的是，在測(cè)序文庫(kù)的制備過(guò)程中，聚合酶鏈?zhǔn)椒磻?yīng)（PCR）過(guò)度擴(kuò)增可能導(dǎo)致重復(fù)序列的出現(xiàn)，在后續(xù)分析過(guò)程中，這些重復(fù)序列應(yīng)當(dāng)剔除。此外，某些低復(fù)雜度的序列由于缺乏信息量，很難可靠地比對(duì)到參考序列上，因此也應(yīng)當(dāng)予以剔除。

3.5 宿主及污染序列的過(guò)濾

宏基因組測(cè)序是對(duì)樣本中所有DNA分子進(jìn)行測(cè)序，因此獲得的數(shù)據(jù)中可能含有不屬于微生物的序列，例如與人類(lèi)健康相關(guān)的宏基因組研究多使用與人體相關(guān)的組織或樣本（如口腔菌斑、唾液、皮膚及糞便樣本等），這些樣本中可能存在人類(lèi)基因組序列污染。此外，研究樣本也可能存在其他生物體或載體的序列污染，從而對(duì)后續(xù)分析造成影響，因此在質(zhì)量控制過(guò)程中需要剔除宿主序列以及可能的污染序列。最直接的方法就是把序列比對(duì)至宿主基因組及可能的污染源序列上，然后剔除這些序列。FastQ Screen、BWA [19]、Bowtie[20]、SOAP等工具可以把序列比對(duì)至用戶(hù)懷疑的污染源序列上，如果存在一致序列則予以剔除。

3.6 混合樣本的數(shù)據(jù)分割

測(cè)序時(shí)，為了區(qū)別不同樣本來(lái)源的序列，需要在待測(cè)序列中加入一段具有特定序列的編碼序列（barcode）。在質(zhì)量控制過(guò)程中，為了獲得不同樣本的完整數(shù)據(jù)，需要根據(jù)碼序列對(duì)混合樣本進(jìn)行分割，將一個(gè)FastQ文件中的序列分別存儲(chǔ)到多個(gè)樣本文件中。

3.7 樣本菌群的組成分析

在獲得測(cè)序數(shù)據(jù)之后，首要工作是對(duì)相關(guān)樣本進(jìn)行菌群組成分析。在早期宏基因組研究中，通常需要對(duì)測(cè)序數(shù)據(jù)進(jìn)行拼接，獲得contig序列，之后通過(guò)一些常用的序列比對(duì)算法（如BLAST算法、BL AT算法等），將拼接后的序列比對(duì)至微生物參考基因組序列，從而獲得與序列相關(guān)的物種分類(lèi)信息。然而，不同于其他高等生物基因組的拼接，由于微生物的多樣性，宏基因組研究中測(cè)序數(shù)據(jù)的拼接往往存在一定的難度，導(dǎo)致序列準(zhǔn)確度不高。此外，傳統(tǒng)的BLAST算法在對(duì)海量的拼接后數(shù)據(jù)進(jìn)行比對(duì)時(shí)往往耗時(shí)較長(zhǎng)，BLAST算法速率為目前二代測(cè)序常用的比對(duì)軟件（如BWA、bowtie和SOAP等）速率的數(shù)百分之一至數(shù)十分之一，通常某些樣本完成所有序列比對(duì)可能花費(fèi)數(shù)天甚至更久的時(shí)間。因此筆者建議在實(shí)際分析過(guò)程中，使用二代測(cè)序的比對(duì)軟件，把測(cè)序片段（不經(jīng)過(guò)拼接）直接比對(duì)到參考物種的標(biāo)識(shí)基因，從而快速獲取物種分類(lèi)信息及豐度信息，為后續(xù)的樣本主坐標(biāo)分析提供足夠的信息。例如，目前國(guó)際人類(lèi)微生物組計(jì)劃項(xiàng)目中采用Metaphlan軟件進(jìn)行數(shù)據(jù)處理，該軟件可以直接將測(cè)序序列比對(duì)至微生物參考數(shù)據(jù)庫(kù)中（涵蓋了美國(guó)生物技術(shù)信息中心基因組數(shù)據(jù)庫(kù)中的2 887個(gè)微生物基因組數(shù)據(jù)），從而獲得測(cè)序樣本的菌群組成信息[21]。

3.8 不同分組樣本的主坐標(biāo)分析

主 坐標(biāo)分析是一種微生物組學(xué)數(shù)據(jù)分析中常用的降維及可視化方法，主要用于研究數(shù)據(jù)相似性或差異性，在微生物群落相關(guān)研究中，不同樣本之間及不同環(huán)境之間微生物組成差異往往較大，所獲得的物種豐度表通常由稀疏矩陣構(gòu)成，因而不太適合使用其他組學(xué)數(shù)據(jù)通常采用的主成分分析方法。在主坐標(biāo)分析中，首先對(duì)物種豐度組成的距離矩陣進(jìn)行分解，獲得一系列的特征值和特征向量，然后對(duì)特征向量進(jìn)行排序，選擇前幾位的特征向量作為主要坐標(biāo)，并將樣品投影到這些向量的坐標(biāo)軸上進(jìn)行可視化展示。在對(duì)基于不同分類(lèi)水平的物種豐度信息進(jìn)行PCoA時(shí)，樣本的物種組成越相似，它們?cè)赑CoA圖上的距離越小。通過(guò)不同分組樣本的主坐標(biāo)分析，可以檢測(cè)樣本的測(cè)序質(zhì)量以及深度是否提供了足夠的信息來(lái)區(qū)別不同的分組樣本，因而不同分組樣本的主坐標(biāo)分析是宏基因組數(shù)據(jù)分析質(zhì)量控制流程中非常重要的步驟。

4 ?宏基因組數(shù)據(jù)質(zhì)量控制應(yīng)用實(shí)例

本文以一套已公開(kāi)發(fā)表的腸道微生物宏基因組數(shù)據(jù)為例進(jìn)行質(zhì)量控制流程結(jié)果展示，該數(shù)據(jù)為正常人群與肝硬化人群腸道微生物隊(duì)列研究數(shù)據(jù)，相應(yīng)宏基因組測(cè)序數(shù)據(jù)下載自歐洲生物信息研究中心核酸數(shù)據(jù)庫(kù)（ID：ERP005860）。本文選取部分有代表性的樣本，對(duì)元數(shù)據(jù)和測(cè)序數(shù)據(jù)進(jìn)行包括元數(shù)據(jù)整理、元數(shù)據(jù)和測(cè)序數(shù)據(jù)一致性檢查、測(cè)序質(zhì)量評(píng)估、低質(zhì)量序列過(guò)濾、測(cè)序接頭片段去除、宿主基因剔除、樣本菌群組成分析、樣本主坐標(biāo)分析在內(nèi)的質(zhì)量控制檢測(cè)。其原始數(shù)據(jù)測(cè)序片段的質(zhì)量評(píng)估結(jié)果如圖3所示，個(gè)別樣本總體測(cè)序質(zhì)量偏低，后續(xù)分析需加以控制或予以剔除。

圖3 測(cè)序片段不同位置堿基質(zhì)量分布

質(zhì)量控制前后樣本原始數(shù)據(jù)及干凈數(shù)據(jù)質(zhì)量統(tǒng)計(jì)見(jiàn)表1（括號(hào)內(nèi)為質(zhì)量控制后的數(shù)值）。質(zhì)量控制前后各樣本重復(fù)序列百分比、序列平均長(zhǎng)度及讀段總數(shù)等均有明顯變化，這表明了對(duì)原始測(cè)序數(shù)據(jù)進(jìn)行相關(guān)質(zhì)量控制的必要性。隨后，筆者對(duì)各樣本的菌群組成及微生物豐度進(jìn)行評(píng)估，并在此基礎(chǔ)上開(kāi)展了樣本的主坐標(biāo)分析，結(jié)果如圖4所示，正常樣本與疾病樣本可觀察到一定的分布差異，表明了質(zhì)量控制流程的有效性。

表1? 質(zhì)量控制前后序列質(zhì)量統(tǒng)計(jì)

圖4 主坐標(biāo)分析結(jié)果

5 宏基因組數(shù)據(jù)質(zhì)量控制應(yīng)用效果

上述宏基因組數(shù)據(jù)質(zhì)量控制實(shí)例表明，本文提出的質(zhì)量控制流程可以對(duì)宏基因組研究中的元數(shù)據(jù)和測(cè)序數(shù)據(jù)質(zhì)量進(jìn)行有效評(píng)估，從而為后續(xù)分析提供干凈的數(shù)據(jù)。具體而言主要有以下幾個(gè)方面。

● 元數(shù)據(jù)和測(cè)序數(shù)據(jù)的一致性檢查保證了取樣樣本和測(cè)序樣本的對(duì)應(yīng)關(guān)系，并賦予測(cè)序樣本表型信息，從而為測(cè)序樣本的基因型和表型關(guān)聯(lián)分析、不同分組樣本的差異分析、樣本菌群組成的機(jī)理研究分析提供支持。

● 宏基因組數(shù)據(jù)質(zhì)量控制流程中的質(zhì)量檢測(cè)、低質(zhì)量測(cè)序序列的過(guò)濾及切除、接頭序列及無(wú)關(guān)序列的剔除等步驟可以為后續(xù)的功能分析提供干凈的分析數(shù)據(jù)，保證結(jié)果的可靠性。

● 宿主及污染序列的過(guò)濾，可以去除宿主基因片段對(duì)后續(xù)菌群組成分析的影響，保證分析的有效性。

● 不同分組樣本的菌群組成和主坐標(biāo)分析，可以在一定程度上評(píng)估樣本的測(cè)序深度是否足夠，即在當(dāng)前的測(cè)序深度和質(zhì)量條件下是否提供了足夠的信息來(lái)滿(mǎn)足分組樣本差異分析的需求。

6? 結(jié)束語(yǔ)

近年來(lái)，隨著各種微生物組項(xiàng)目的開(kāi)展，已有大量的宏基因組數(shù)據(jù)發(fā)布。如何充分利用和挖掘這些數(shù)據(jù)，對(duì)其進(jìn)行更為深入的二次分析，從而獲得新的發(fā)現(xiàn)，是一個(gè)極為重要的問(wèn)題。宏基因組數(shù)據(jù)多分散在不同的數(shù)據(jù)庫(kù)中或者不同的研究者手中，其數(shù)據(jù)收集和分析標(biāo)準(zhǔn)存在較大的差異，從而給數(shù)據(jù)的整合帶來(lái)較大的障礙。如果能從生態(tài)類(lèi)型（biotype）、數(shù)據(jù)類(lèi)型（datatype）等角度系統(tǒng)整合這些數(shù)據(jù)，并提供統(tǒng)一的質(zhì)量控制評(píng)價(jià)標(biāo)準(zhǔn)，將為宏基因組研究提供更大的便利。因此制定規(guī)范合理的數(shù)據(jù)質(zhì)量控制標(biāo)準(zhǔn)，從而有效整合這些不同來(lái)源和類(lèi)型的宏基因組數(shù)據(jù)，是未來(lái)的發(fā)展方向和趨勢(shì)。本文對(duì)宏基因組數(shù)據(jù)分析過(guò)程中的質(zhì)量控制流程進(jìn)行了探討，這將加速宏基因組學(xué)的相關(guān)研究。在此基礎(chǔ)上，整合微生物的分類(lèi)、進(jìn)化、生態(tài)以及相關(guān)組學(xué)的數(shù)據(jù)，構(gòu)建統(tǒng)一的微生物組數(shù)據(jù)倉(cāng)庫(kù)，并輔以微生物云服務(wù)平臺(tái)，將解決微生物組研究各種數(shù)據(jù)分散在不同地方的局面，為微生物組大數(shù)據(jù)提供科學(xué)的管理機(jī)制和運(yùn)行范式，從而為我國(guó)微生物組學(xué)研究提供技術(shù)支撐及基礎(chǔ)大數(shù)據(jù)平臺(tái)。

點(diǎn)擊下方?閱讀原文?即可獲取全文

作　者　簡(jiǎn)　介

鄭廣勇（1977－），男，博士，中國(guó)科學(xué)院上海生命科學(xué)研究院生物醫(yī)學(xué)大數(shù)據(jù)中心副研究員，主要研究方向?yàn)橛?jì)算生物學(xué)、系統(tǒng)生物學(xué)以及生物醫(yī)學(xué)大數(shù)據(jù)的深度挖掘。

?

楊楨（1981－），男，博士，中國(guó)科學(xué)院上海生命科學(xué)研究院生物醫(yī)學(xué)大數(shù)據(jù)中心副研究員，主要研究方向?yàn)樯镝t(yī)學(xué)大數(shù)據(jù)的深度挖掘。

?

曹瑞芳（1989－），女，中國(guó)科學(xué)院上海生命科學(xué)研究院生物醫(yī)學(xué)大數(shù)據(jù)中心工程師，主要研究方向?yàn)樯镝t(yī)學(xué)數(shù)據(jù)庫(kù)和知識(shí)庫(kù)的構(gòu)建。

?

劉婉（1987－），女，博士，上海生物信息技術(shù)研究中心助理研究員，主要研究方向?yàn)槲⑸锵嚓P(guān)數(shù)據(jù)庫(kù)與數(shù)據(jù)倉(cāng)庫(kù)、生物醫(yī)學(xué)數(shù)據(jù)審編。

?

李亦學(xué)（1955－），男，博士，中國(guó)科學(xué)院上海生命科學(xué)研究院生物醫(yī)學(xué)大數(shù)據(jù)中心研究員，主要研究方向?yàn)橛?jì)算生物學(xué)、生物醫(yī)學(xué)大數(shù)據(jù)的系統(tǒng)研究。

?

張國(guó)慶（1978－），男，博士，中國(guó)科學(xué)院上海生命科學(xué)研究院生物醫(yī)學(xué)大數(shù)據(jù)中心研究員，主要研究方向?yàn)樯镝t(yī)學(xué)數(shù)據(jù)庫(kù)和知識(shí)庫(kù)的構(gòu)建。

?

《大數(shù)據(jù)》期刊

《大數(shù)據(jù)（Big?Data?Research，BDR）》雙月刊是由中華人民共和國(guó)工業(yè)和信息化部主管，人民郵電出版社主辦，中國(guó)計(jì)算機(jī)學(xué)會(huì)大數(shù)據(jù)專(zhuān)家委員會(huì)學(xué)術(shù)指導(dǎo)，北京信通傳媒有限責(zé)任公司出版的科技期刊。

關(guān)注《大數(shù)據(jù)》期刊微信公眾號(hào)，獲取更多內(nèi)容

總結(jié)

以上是生活随笔為你收集整理的宏基因组大数据分析的质量控制流程规范的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。