公共DNA數據庫中包含很多生物類群，為係統學提供了大量數據來源。目前，基於分子數據的物種鑒別和界定工作已經逐步開展。現代測序技術的飛速發展，帶來了海量分子數據的同時，也導致很多研究人員無法為相關數據提供準確的分類學信息。這些分類信息不夠完整的分子數據，阻礙了在物種一級水平上開展精細的數據挖掘。同時，基於較大數據庫進行物種聚類研究，也需要整合多個基因片段，從而在數據結構和計算過程中產生了很多問題。

　　Douglas Chesters博士在朱朝東研究組開展博士後研究，出站後被聘任為必威在线网址 助理研究員期間，研發了一種在分子序列數據庫中界定物種的方法：1）首先獲取所有昆蟲的DNA序列，並對它們進行文本加工；2）根據一定的規則過濾掉重複數據；3）劃分遺傳位點L；4）根據每個位點信息，界定物種S；5）物種單元與位點相匹配，形成一組多位點物種界定的數據矩陣L×S。

　　作者應用馬爾科夫聚類的方法將數據庫劃分為同源基因片段數據集。基於包含大部分物種多樣性的基因，完成物種鑒定，並同時對物種單元名字賦予物種名。在物種聚類過程中，兩兩相似之處計算的複雜性的主要來源於線粒體基因組中的COI位點。科研人員通過開發軟件解決了這個複雜的過程：在分類的體係內執行序列兩兩比對，且為不同階元的序列標注分類信息。

　　GenBank中GenBank中超過24個不同同源基因，194 000個未帶分類標簽的序列，包含41 525個帶分類標簽的物種（98.7%從昆蟲數據庫中獲得）。通過對每個位點的分層聚類，利用獨立的最優參數，這些序列被分組到59 173個基於單個位點的分子分類單元（MOTU）中。來自不同位點的MOTU，由多部匹配算法進行匹配。這樣，位點之間形成不一致性最低的多位點單元。匹配後，科研人員通過這24個位點，發現了在目前的昆蟲數據庫中，存在78 091個基於多位點信息的MOTU。其中，38 574個單元包含物種分類學信息，而34 891個則沒有包含分類標簽，剩下的4 626個單元兩種情況並存。

　　除了可以估算物種多樣性，科研人員開發的規程還將促進現代序列數據集的物種界定。特別是L×S矩陣代表了後分類學思路，將可以解構種級元基因組數據。這些方法將可以在多個基因位點，甚至基因組水平提取大量數據，產生更多研究物種多樣性的L×S數據矩陣，從而整合到後續的係統發育的流程。

　　該工作主要得到中國科學院知識創新工程、中國國家自然科學基金委麵上和人才項目支持，並部分得到中國農業部公益性行業（農業）科研專項和中國國家科技部基礎性工作專項的支持。

　　論文在線發表，引用信息如下：

　　A Protocol for Species Delineation of Public DNA Databases, Applied to the Insecta.

　　Douglas Chesters; Chao-Dong Zhu

　　Systematic Biology 2014;

　　doi: 10.1093/sysbio/syu038

　　論文全文下載信息如下：相關數據，論文在線發表（Abstract，PDF）