生物序列及其索引的壓縮存儲技術(shù)的研究與實(shí)現(xiàn).pdf

1、自從1953年DNA結(jié)構(gòu)被揭示以來，分子生物學(xué)取得了巨大的進(jìn)展。隨著對生物大分子序列操縱能力的增強(qiáng)，生物信息學(xué)等學(xué)科研究的深入及人類基因組計劃的完成，科研工作已經(jīng)產(chǎn)生并仍在產(chǎn)生大量的數(shù)據(jù)，存儲DNA序列信息及其索引所占用的空間也在呈指數(shù)增長。因此，設(shè)計高效的生物序列索引結(jié)構(gòu)，研究生物序列數(shù)據(jù)的壓縮存儲技術(shù)成為生物數(shù)據(jù)庫領(lǐng)域的重要研究課題。
　　生物序列數(shù)據(jù)庫中存儲著規(guī)模巨大的生物序列信息，由于生物的關(guān)鍵基因往往有多個副本，這些信息

2、中有很多重復(fù)子串，而且生物有時為了進(jìn)化或“自私”的目的也要對某些基因進(jìn)行復(fù)制。因此，生物序列數(shù)據(jù)庫中存在大量數(shù)據(jù)冗余，是可以被壓縮的。本文提出了一種結(jié)構(gòu)并行的局部優(yōu)化壓縮算法，通過把生物序列數(shù)據(jù)分片到多臺處理機(jī)，在單個處理機(jī)上采用廣義后綴樹來查找序列中冗余子串的方法，明顯提高了序列壓縮的處理速度。在生物序列分片壓縮的基礎(chǔ)上，本文還給出了一種結(jié)構(gòu)并行的搜索操作算法。
　　索引技術(shù)加快了序列處理的速度，現(xiàn)有的索引技術(shù)包括后綴樹，后綴數(shù)

3、組，q-gram和q-sample等。其中后綴樹處理速度最快，但由于“內(nèi)存瓶頸”問題不能應(yīng)用在大序列上。本文提出了壓縮的分層存儲索引結(jié)構(gòu)。這種結(jié)構(gòu)采用一種自頂向下建立后綴樹索引結(jié)構(gòu)的方法，它由若干層組成，每層都可以依次獨(dú)立建立，這樣就有效避免了“內(nèi)存瓶頸”問題。該結(jié)構(gòu)在保證建立效率和搜索操作效率的同時，有效利用了存儲空間。在此基礎(chǔ)上，給出了其上的搜索操作算法。
　　實(shí)驗表明：本文的序列壓縮算法與其他壓縮算法相比，壓縮效果有明顯改進(jìn)