蛋白質(zhì)數(shù)據(jù)庫去冗余程序的研究與開發(fā).pdf

1、許多生物序列數(shù)據(jù)庫中都含有大量的冗余序列，這些冗余序列通常不利于對(duì)數(shù)據(jù)庫的統(tǒng)計(jì)分析和處理，而且它們要占用更多的計(jì)算機(jī)存儲(chǔ)和處理資源。去除這些冗余信息具有很高的實(shí)用價(jià)值，不但可以減小數(shù)據(jù)庫的大小提高序列搜索的速度，而且有助于對(duì)數(shù)據(jù)庫的統(tǒng)計(jì)分析。目前存在不少蛋白質(zhì)去冗余程序，它們多數(shù)采用Hobohm和Sander的算法來生成代表序列以達(dá)到去除冗余序列的目的。然而，這種算法生成的代表序列集合不是足夠大的，某些非冗余的蛋白質(zhì)序列也被去除了。

2、 在本文中，我們對(duì)蛋白質(zhì)去冗余問題進(jìn)行了深入的分析和研究，主要研究?jī)?nèi)容和取得的成果如下： 1．改進(jìn)了Hobohm和Sander的算法：我們基于圖論最大獨(dú)立集的概念來生成非冗余序列集合，對(duì)目前存在的蛋白質(zhì)去冗余程序如CD—HIT、PISCES等所采用的由Hobohm和Sander最早設(shè)計(jì)的一種首先將序列集合分成若干個(gè)簇然后取出每個(gè)簇的代表序列的算法進(jìn)行了改進(jìn)，使得生成了更大的非冗余代表序列集合，避免了一些非冗余的序列也被去除。

3、 2．基于上述改進(jìn)算法，開發(fā)了兩個(gè)版本的FastCluster：第一個(gè)版本基于全局比對(duì)算法來確定序列之間的相似度，提供了一種從全局比對(duì)角度來去除冗余序列的程序，其缺點(diǎn)在于運(yùn)行速度較慢，不太適合處理大規(guī)模的數(shù)據(jù)集；第二個(gè)版本采用了Blast來確定序列之間的相似度，提高了運(yùn)行速度，可以在較短的時(shí)間內(nèi)處理較大規(guī)模的蛋白質(zhì)數(shù)據(jù)庫。FastCluster的下載地址是： http://pcal.biosino.org/FastCluster

4、.html． 3．建立了蛋白質(zhì)序列數(shù)據(jù)庫的無向圖模型，并開發(fā)了相應(yīng)的程序BlastCuller：一個(gè)蛋白質(zhì)序列集合可以看作是一個(gè)無向圖，序列對(duì)應(yīng)圖中的頂點(diǎn)，如果兩個(gè)序列之間的相似度超過某個(gè)設(shè)定的閾值則這兩個(gè)序列之間存在一條邊?；谠撃Ｐ烷_發(fā)的BlastCuller不僅具有很高的實(shí)用價(jià)值，能夠處理較大規(guī)模的蛋白質(zhì)序列數(shù)據(jù)庫，而且為去冗余問題提供了一個(gè)有效的可擴(kuò)展的程序框架，可以加入新的算法來更好地解決去冗余問題。BlastCull