全基因組序列分析軟件流水線的并行與優(yōu)化關(guān)鍵技術(shù)研究.pdf

1、隨著基因組測(cè)序技術(shù)的不斷發(fā)展，生物序列數(shù)據(jù)庫規(guī)模持續(xù)以每10個(gè)月翻一番的速度快速增長(zhǎng)，當(dāng)前全基因組序列分析軟件流水線的性能已無法滿足基因組序列數(shù)據(jù)處理的時(shí)效性需求。本文在對(duì)當(dāng)前生物全基因組序列分析流程進(jìn)行深入剖析的基礎(chǔ)上，對(duì)當(dāng)前流程中基因組組裝、序列比對(duì)和下游分析三個(gè)模塊進(jìn)行了優(yōu)化加速。并通過實(shí)驗(yàn)證明，優(yōu)化工作取得了顯著效果。
　　首先，對(duì)當(dāng)前全基因組序列組裝面對(duì)的內(nèi)存需求大、整體效率低的問題進(jìn)行了分析與實(shí)驗(yàn)驗(yàn)證，發(fā)現(xiàn)當(dāng)前大規(guī)模短

2、序列BWT的索引構(gòu)建過程效率差、耗時(shí)長(zhǎng)是導(dǎo)致基因組組裝整體效率低下的主要原因。本文設(shè)計(jì)了一種新型的大規(guī)模DNA序列BWT索引并行構(gòu)建算法，并提出了一種高效的剪枝策略，在此基礎(chǔ)上開發(fā)了大規(guī)模DNA序列BWT索引并行構(gòu)建軟件BWTCP。我們?cè)谔旌佣?hào)上對(duì)BWTCP進(jìn)行了測(cè)試，使用16個(gè)計(jì)算節(jié)點(diǎn)在半小時(shí)內(nèi)完成10億條長(zhǎng)為100個(gè)堿基的DNA序列的BWT索引構(gòu)建。當(dāng)前最為廣泛使用的索引構(gòu)建軟件BCR需要13個(gè)小時(shí)來完成相應(yīng)任務(wù)。另外，當(dāng)前的索引

3、構(gòu)建軟件對(duì)序列長(zhǎng)度十分敏感，BWTCP通過高效的剪枝策略解決了這一問題。
　　針對(duì)當(dāng)前全基因組序列比對(duì)時(shí)效性低、難以滿足生物序列大數(shù)據(jù)的處理需求的問題，我們和華大基因-香港大學(xué)聯(lián)合實(shí)驗(yàn)室共同開發(fā)了一款面向Intel MIC協(xié)處理器的DNA序列比對(duì)軟件MICA。MICA面向Intel MIC協(xié)處理器和天河二號(hào)超級(jí)計(jì)算機(jī)軟硬件架構(gòu)設(shè)計(jì)，采用雙向BWT索引和Smith-Waterman動(dòng)態(tài)規(guī)劃算法進(jìn)行DNA序列比對(duì)，具有接近線性加速比的

4、擴(kuò)展性能。我們?cè)谔旌佣?hào)超級(jí)計(jì)算機(jī)932個(gè)節(jié)點(diǎn)上對(duì)MICA進(jìn)行了測(cè)試，在一個(gè)小時(shí)內(nèi)完成了17.4TB DNA序列的比對(duì)，相同工作量在一般的12核服務(wù)器上需要運(yùn)行三個(gè)月。
　　當(dāng)前下游分析環(huán)節(jié)中RNA編輯位點(diǎn)識(shí)別方法受人為因素影響大，缺乏一款客觀的高可信度的RNA編輯位點(diǎn)識(shí)別模型。針對(duì)此問題，我們提出了一個(gè)基于高通量序列比對(duì)的RNA編輯位點(diǎn)識(shí)別模型，該模型分析造成RNA與DNA差異的四種事件的特點(diǎn)，通過Bayesian后驗(yàn)概率模型計(jì)