大規(guī)?；蚪M比對(duì)算法.pdf

1、隨著測(cè)序技術(shù)的發(fā)展，越來(lái)越多的動(dòng)植物、微生物的全基因組序列得以測(cè)定完成，基因組數(shù)據(jù)和規(guī)模正在以前所未有的速度迅速增長(zhǎng)?；蚪M在進(jìn)化過(guò)程中常常會(huì)有基因復(fù)制，基因缺失，易位，倒置等大規(guī)模突變發(fā)生?；驈?fù)制會(huì)產(chǎn)生旁系同源基因；基因缺失會(huì)導(dǎo)致物種的直系同源性模糊；而易位或者倒置通常會(huì)引起遺傳物質(zhì)的重排。長(zhǎng)基因組的序列比對(duì)可以查找基因組突變，是基因組數(shù)據(jù)的比較分析，物種的進(jìn)化分析和基因功能研究的基礎(chǔ)。 傳統(tǒng)的動(dòng)態(tài)規(guī)劃算法[1][2]的計(jì)算

2、復(fù)雜度為O(n<'2>)，其中n是輸入序列的平均長(zhǎng)度．動(dòng)態(tài)規(guī)劃只能處理長(zhǎng)度在500K以內(nèi)的氨基酸序列或者基因組序列。基于統(tǒng)計(jì)推斷的SPA算法[3]的計(jì)算復(fù)雜度為O(n)，可以準(zhǔn)確的比較長(zhǎng)度在2M之內(nèi)的基因組序列，但是隨著長(zhǎng)度的增加和輸入序列同源性的降低，比對(duì)誤差越來(lái)越大。 要比對(duì)長(zhǎng)度規(guī)模更大的基因組序列，需要新的高效精確的算法。本文的結(jié)果就是開發(fā)適合大規(guī)模基因組序列比對(duì)的算法。具體結(jié)果如下： 1．首次將數(shù)據(jù)壓縮的思想用于

3、序列比對(duì)，對(duì)SPA算法做了改進(jìn)，拓展了SPA算法的應(yīng)用范圍，開發(fā)出GSPA-I算法，該算法可用于大規(guī)模的微生物基因組和真核生物基因組的序列比對(duì)，測(cè)試結(jié)果表明GSPA-I算法比傳統(tǒng)的序列比對(duì)算法速度大大提高，作長(zhǎng)度大于2M的序列的比對(duì)結(jié)果的精確度高比SPA算法有明顯提高。 2．首次將基于語(yǔ)法的編碼 Yang-Kieffer算法[4]用于序列比對(duì)，開發(fā)出基于語(yǔ)法的比對(duì)算法GSPA-Ⅱ．GSPA-Ⅱ算法利用Yang-Kieffer碼首

4、先對(duì)輸入序列進(jìn)行編碼處理，找到序列之間的語(yǔ)法匹配模塊GMB，在GMB的基礎(chǔ)上再完成比對(duì)，該算法比對(duì)規(guī)模大，克服了以往基因組序列比對(duì)算法受輸入序列規(guī)模限制的弱點(diǎn)，用編碼方法大大降低了算法的復(fù)雜度的同時(shí)，方便了對(duì)比對(duì)結(jié)果的分析。GSPA-Ⅱ算法能夠很快處理長(zhǎng)度在200M以上的基因組染色體序列，另外GSPA-Ⅱ算法能找到倒置，換位等大規(guī)?；蚪M突變。實(shí)驗(yàn)結(jié)果表明，GSPA-Ⅱ算法與最流行的 BLASTZ算法相比，比對(duì)速度平均高100倍左右，但