特開 2022-20034 ＧＩＳＡＩＤ ＥｐｉＦｌｕＴＭ Ｄａｔａｂａｓｅから取得可能であるＦＡＳＴＡフォーマットウイルスゲノム塩基配列電子データの加工方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022020034

(43)【公開日】2022-01-31

(54)【発明の名称】ＧＩＳＡＩＤ ＥｐｉＦｌｕＴＭ Ｄａｔａｂａｓｅから取得可能であるＦＡＳＴＡフォーマットウイルスゲノム塩基配列電子データの加工方法

(51)【国際特許分類】

   G16B 30/00 20190101AFI20220105BHJP

   C12N 15/09 20060101ALN20220105BHJP

【ＦＩ】

G16B30/00

C12N15/09 Z

【審査請求】未請求

【請求項の数】1

【出願形態】書面

(21)【出願番号】P 2020123289

(22)【出願日】2020-06-24

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＵＮＩＸ

(71)【出願人】

【識別番号】512261791

【氏名又は名称】緒方 法親

(72)【発明者】

【氏名】緒方 法親

(57)【要約】      （修正有）

【課題】ウイルスゲノム塩基配列電子データをより精度よく解析できる電子データの加工方法を提供する。
【解決手段】塩基配列電子データの加工方法は、ＦＡＳＴＡフォーマットのウイルスゲノム塩基配列電子データの加工方法であり，キャリッジリターン（Ｕｎｉｃｏｄｅコード，Ｕ＋０００Ｄ（ゼロゼロゼロディー））を除去する工程と，スペース（Ｕｎｉｃｏｄｅコード，Ｕ＋００２０（ゼロゼロにゼロ））を除去する工程を備える。
【選択図】なし

【特許請求の範囲】

【請求項1】

ＧＩＳＡＩＤ ＥｐｉＦｌｕ^ＴＭ Ｄａｔａｂａｓｅから取得可能であるＦＡＳＴＡフォーマットのウイルスゲノム塩基配列電子データの加工方法であり，キャリッジリターン（Ｕｎｉｃｏｄｅコード，Ｕ＋０００Ｄ（ゼロゼロゼロディー））を除去する工程と，スペース（Ｕｎｉｃｏｄｅコード，Ｕ＋００２０（ゼロゼロにゼロ））を除去する工程を不足なく備えた塩基配列電子データの加工方法．

【発明の詳細な説明】

【技術分野】

【0001】

本発明は，自然言語データの取り扱いに関連し，辞書またはテーブルを利用するものである．より詳しく説明すると，本発明は，特定のウイルス遺伝子配列データベース（ＧＩＳＡＩＤ ＥｐｉＦｌｕ^ＴＭ Ｄａｔａｂａｓｅ）から取得したウイルスゲノム配列電子データを効果的に比較・分類するための電子データの加工方法に関する．

【背景技術】

【0002】

Ｐｈｙｌｏｇｅｎｅｔｉｃ ａｎａｌｙｓｅｓ ｏｆ ｔｈｅ ｓｅｖｅｒｅ ａｃｕｔｅ ｒｅｓｐｉｒａｔｏｒｙ ｓｙｎｄｒｏｍｅ ｃｏｒｏｎａｖｉｒｕｓ ２ ｒｅｆｌｅｃｔｅｄ ｔｈｅ ｓｅｖｅｒａｌ ｒｏｕｔｅｓ ｏｆ ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｔａｉｗａｎ， ｔｈｅ Ｕｎｉｔｅｄ Ｓｔａｔｅｓ， ａｎｄ Ｊａｐａｎには，ウイルス遺伝子配列データベース（ＧＩＳＡＩＤ ＥｐｉＦｌｕ^ＴＭ Ｄａｔａｂａｓｅ）から取得したウイルスゲノム配列電子データを効果的に比較・分類した事例が開示されている．ウイルス遺伝子配列データベース（ＧＩＳＡＩＤ ＥｐｉＦｌｕ^ＴＭ Ｄａｔａｂａｓｅ）から取得したウイルスゲノム配列電子データを比較・分類することにより，ワクチン開発・製造に有益な知見を得ることができる．

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】論文名：Ｐｈｙｌｏｇｅｎｅｔｉｃ ａｎａｌｙｓｅｓ ｏｆ ｔｈｅ ｓｅｖｅｒｅ ａｃｕｔｅ ｒｅｓｐｉｒａｔｏｒｙ ｓｙｎｄｒｏｍｅ ｃｏｒｏｎａｖｉｒｕｓ ２ ｒｅｆｌｅｃｔｅｄ ｔｈｅ ｓｅｖｅｒａｌ ｒｏｕｔｅｓ ｏｆ ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｔａｉｗａｎ，ｔｈｅ Ｕｎｉｔｅｄ Ｓｔａｔｅｓ，ａｎｄ Ｊａｐａｎ 刊行物名：ａｒＸｉｖ 発行年月日：令和２年２月２８日 発行者名：Ｃｏｒｎｅｌｌ Ｕｎｉｖｅｒｓｉｔｙ ＵＲＬ：ｈｔｔｐｓ：／／ａｒｘｉｖ．ｏｒｇ／ａｂｓ／２００２．０８８０２

【発明の概要】

【発明が解決しようとする課題】

【0004】

ＧＩＳＡＩＤ ＥｐｉＦｌｕ^ＴＭ Ｄａｔａｂａｓｅはウイルスの遺伝子配列情報を対象としたデータベースであり，このデータベースが提供するデータの範囲はｗｅｂサイトに示されている（ｈｔｔｐｓ：／／ｗｗｗ．ｇｉｓａｉｄ．ｏｒｇ／ｒｅｇｉｓｔｒａｔｉｏｎ／ｔｅｒｍｓ－ｏｆ－ｕｓｅ／）．ＧＩＳＡＩＤ ＥｐｉＦｌｕ^ＴＭ Ｄａｔａｂａｓｅの提供するウイルスの遺伝子配列情報電子データのうち，特にウイルスゲノムの遺伝子配列情報を示すファスタフォーマットのデータの特徴として，他の遺伝子配列情報データベースであるＮＣＢＩ ＧｅｎＢａｎｋ （ｈｔｔｐｓ：／／ｗｗｗ．ｎｃｂｉ．ｎｌｍ．ｎｉｈ．ｇｏｖ／ｇｅｎｂａｎｋ／）に比べて，様式不備が多いことが挙げられる．これらの遺伝子配列情報電子データをダウンロードして利用しようとするユーザーは，これらの遺伝子配列情報電子データについてプログラムを用いて処理し，知見を得ることを目的としている．一方で，ＧＩＳＡＩＤ ＥｐｉＦｌｕ^ＴＭ Ｄａｔａｂａｓｅの提供しているＦＡＳＴＡフォーマットウイルスゲノム塩基配列電子データには様式不備が多いために塩基配列電子データ処理プログラムが正常に動作しない．そのため，従来，これらの遺伝子配列情報電子データをダウンロードして利用しようとするユーザーは，手作業にてＦＡＳＴＡフォーマットウイルスゲノム塩基配列電子データ編集，修正し，ノイズを除去する必要があった．

【課題を解決するための手段】

【0005】

本発明は，ＧＩＳＡＩＤ ＥｐｉＦｌｕ^ＴＭ Ｄａｔａｂａｓｅの提供するウイルスの遺伝子配列情報電子データのうち，特にウイルスゲノムの遺伝子配列情報を示すファスタフォーマットのデータに含まれるノイズを突き止め，そしてそのノイズを取り除くための自然言語データの取り扱いにおいて用いる，辞書，テーブルを見出したことに基づくものである．

【0006】

本発明は，本発明は，ＧＩＳＡＩＤ ＥｐｉＦｌｕ^ＴＭ Ｄａｔａｂａｓｅの提供するウイルスの遺伝子配列情報電子データであるウイルスゲノムの遺伝子配列情報を示すＦＡＳＴＡフォーマットのデータの加工方法に関連する．この加工方法は，キャリッジリターン（Ｕｎｉｃｏｄｅコード，Ｕ＋０００Ｄ（ゼロゼロゼロディー））を除去する工程と，ハイフン（Ｕｎｉｃｏｄｅコード，Ｕ＋００２Ｄ（ゼロゼロにディー））を除去する工程と，スペース（Ｕｎｉｃｏｄｅコード，Ｕ＋００２０（ゼロゼロにゼロ））を除去する工程と，Ｕ（Ｕｎｉｃｏｄｅコード，Ｕ＋００５５（ゼロゼロごご））をＴ（Ｕｎｉｃｏｄｅコード，Ｕ＋００５４（ゼロゼロごよん））もしくはｔ（Ｕｎｉｃｏｄｅコード，Ｕ＋００７４（ゼロゼロななよん））に置換する工程と，ｕ（Ｕｎｉｃｏｄｅコード，Ｕ＋００７５（ゼロゼロななご））をＴ（Ｕｎｉｃｏｄｅコード，Ｕ＋００５４（ゼロゼロごよん））もしくはｔ（Ｕｎｉｃｏｄｅコード，Ｕ＋００７４（ゼロゼロななよん））に置換する工程を備えた塩基配列電子データの加工方法である．

【0007】

本発明の好ましい態様は，
キャリッジリターン（Ｕｎｉｃｏｄｅコード，Ｕ＋０００Ｄ（ゼロゼロゼロディー））を除去する工程と，ハイフン（Ｕｎｉｃｏｄｅコード，Ｕ＋００２Ｄ（ゼロゼロにディー））を除去する工程と，スペース（Ｕｎｉｃｏｄｅコード，Ｕ＋００２０（ゼロゼロにゼロ））を除去する工程と，Ｕ（Ｕｎｉｃｏｄｅコード，Ｕ＋００５５（ゼロゼロごご））をＴ（Ｕｎｉｃｏｄｅコード，Ｕ＋００５４（ゼロゼロごよん））に置換する工程と，ｕ（Ｕｎｉｃｏｄｅコード，Ｕ＋００７５（ゼロゼロななご））をＴ（Ｕｎｉｃｏｄｅコード，Ｕ＋００５４（ゼロゼロごよん））に置換する工程を備えた塩基配列電子データの加工方法である．例えば，本発明が対象とするＧＩＳＡＩＤ ＥｐｉＦｌｕ^ＴＭ Ｄａｔａｂａｓｅの提供するウイルスの遺伝子配列情報電子データであるウイルスゲノムの遺伝子配列情報を示すＦＡＳＴＡフォーマットのデータがｇｉｓａｉｄ．ｆａｓｔａという名称であった場合に，ｕｎｉｘ上では，ｍｏｒｅ ｇｉｓａｉｄ．ｆａｓｔａ ｜ ｔｒ －ｄ ￥￥ｒ

ｒｅ とプログラムすることによって実行可能である．

【発明の効果】

【0008】

本発明の電子データ加工方法は，辞書，テーブルを用いた自然言語の取り扱いによってウイルスゲノムデータ解析の障害となる電子データ中のノイズを特異的に増幅させることができる．このため，本発明は，ウイルスゲノムデータを分析するための加工済みウイルスゲノムデータを提供できる．

【実施例0009】

ＧＩＳＡＩＤのｗｅｂサイト（ｈｔｔｐｓ：／／ｗｗｗ．ｅｐｉｃｏｖ．ｏｒｇ／ｅｐｉ３／ｆｒｏｎｔｅｎｄ＃４０ｅ５ａａ）にアクセスし，ＳＡＲＳ－ＣｏＶ－２ゲノムデータセットであるｇｉｓａｉｄ＿ｈｃｏｖ－１９＿２０２０＿０６＿２０＿０３．ｆａｓｔａを取得した．ｇｉｓａｉｄ＿ｈｃｏｖ－１９＿２０２０＿０６＿２０＿０３．ｆａｓｔａのファイルサイズは１５１００９８３５０バイトであり，１８４４９７７２行であり，ＭＤ５は０８９ｃ７２０２７ｆｃ０７ｄｄ７ｂｅ３ａ３ｄ４１４１３４ａｃｄ３であった．また，ＦＡＳＴＡフォーマットの定めに従い，４９７２１行のＩＤ行を有するマルチファスタファイルであった．

【0010】

公知である解析プログラムｓａｍｔｏｏｌｓを用いてｇｉｓａｉｄ＿ｈｃｏｖ－１９＿２０２０＿０６＿２０＿０３．ｆａｓｔａを処理することを試みたところ，Ｆｏｒｍａｔｅｒｒｏｒにより停止した．
【非特許文献】

【0011】

【非特許文献2】論文名：Ｔｈｅ Ｓｅｑｕｅｎｃｅ Ａｌｉｇｎｍｅｎｔ／Ｍａｐ Ｆｏｒｍａｔ ａｎｄ ＳＡＭｔｏｏｌｓ 刊行物名：Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ 発行年月日：平成２１年８月１５日 発行者名：Ｏｘｆｏｒｄ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ ＤＯＩ：１０．１０９３／ｂｉｏｉｎｆｏｒｍａｔｉｃｓ／ｂｔｐ３５２

【0012】

ｇｉｓａｉｄ＿ｈｃｏｖ－１９＿２０２０＿０６＿２０＿０３．ｆａｓｔａはＦＡＳＴＡフォーマットの配列行にＮを多く含むため，Ｎの数を数えられるように準備することとし，キャリッジリターン（Ｕｎｉｃｏｄｅコード，Ｕ＋０００Ｄ（ゼロゼロゼロディー））を除去する工程と，ハイフン（Ｕｎｉｃｏｄｅコード，Ｕ＋００２Ｄ（ゼロゼロにディー））を除去する工程と，スペース（Ｕｎｉｃｏｄｅコード，Ｕ＋００２０（ゼロゼロにゼロ））を除去する工程と，Ｕ（Ｕｎｉｃｏｄｅコード，Ｕ＋００５５（ゼロゼロごご））をＴ（Ｕｎｉｃｏｄｅコード，Ｕ＋００５４（ゼロゼロごよん））に置換する工程と，ｕ（Ｕｎｉｃｏｄｅコード，Ｕ＋００７５（ゼロゼロななご））をＴ（Ｕｎｉｃｏｄｅコード，Ｕ＋００５４（ゼロゼロごよん））に置換する工程を実施するため，ｕｎｉｘ上で下記の操作を行なった．
ｔｒ －ｄ ￥￥ｒ ＜ｇｉｓａｉｄ＿ｈｃｏｖ－１９＿２０２０＿０６＿２０＿０３．

さらにｕｎｉｘ上にて下記の操作を行なった．
ｔｒ －ｄ ￥￥ｒ ＜ｇｉｓａｉｄ＿ｈｃｏｖ－１９＿２０２０＿０６＿２０＿０３．

ｅｍｐ＿２０２００６２１１５４２．ｔｘｔ

【0013】

ｇｉｓａｉｄ＿ｈｃｏｖ－１９＿２０２０＿０６＿２０＿０３．ｆａｓｔａのＩＤ行を取り分けるため，ｕｎｉｘ上にて以下の操作を行なった．
ｔｒ －ｄ ￥￥ｒ ＜ｇｉｓａｉｄ＿ｈｃｏｖ－１９＿２０２０＿０６＿２０＿０３．

【0014】

ｇｉｓａｉｄ＿ｈｃｏｖ－１９＿２０２０＿０６＿２０＿０３．ｆａｓｔａに含まれる各ウイルスゲノムに含まれるＮの数を数えるため，ｕｎｉｘ上にて以下の操作を行なった．ｐａｓｔｅ ｔｅｍｐ＿２０２００６２１１７２５．ｔｘｔ ｔｅｍｐ＿２０２００６２

ｔｘｔ

【0015】

ｇｉｓａｉｄ＿ｈｃｏｖ－１９＿２０２０＿０６＿２０＿０３．ｆａｓｔａに含まれる各ウイルスゲノムに含まれるＮの数についてグラフを作成するため，Ｒ上にて以下の操作をおこなった．

ａｔｔａｃｈ（ｄａｔａ）

ｐａｒ（ｎｅｗ＝Ｔ）

ｐａｒ（ｎｅｗ＝Ｔ）

【0016】

ｇｉｓａｉｄ＿ｈｃｏｖ－１９＿２０２０＿０６＿２０＿０３．ｆａｓｔａに含まれる各ウイルスゲノムのうち，総塩基長Ａ（２８９９９）より大きくＮがＢ（１５０１）より少ないものを取り出し，また，塩基配列行では８０文字毎に改行があり，かつ塩基配列行に小文字含まれていないＦＡＳＴＡファイルにするため，ｕｎｉｘ上にて下記の操作を行なった．

ｐａｓｔｅ ｔｅｍｐ＿２０２００６２１１８０２．ｔｘｔ ｔｅｍｐ＿２０２００６２

ｆａｓｔａ
以上の工程によってｔｅｍｐ＿２０２００６２１２０５５．ｆａｓｔａとしてウイルスゲノムデータを分析するための加工済みウイルスゲノムデータを取得した．

【0016】

ｔｅｍｐ＿２０２００６２１２０５５．ｆａｓｔａを分析することによってｐａｒｓｉｍｏｎｙ ｉｎｆｏｒｍａｔｉｖｅ ｓｉｔｅｓを取得した．

【産業上の利用可能性】

【0017】

本発明は，医療のための医薬品を製造販売する製造業の分野で利用されうる．