基于块排序索引的生物序列局部比对查询技术.doc

基于块排序索引的生物序列局部比对查询技术* Block Sorting Index-based Techniques for Local Alignment Searches on Biological Sequences 李永光 王 镝 王国仁 马宜菲 (东北大学信息科学与工程学院计算机系统研究所 沈阳 110004) Abstract A common query against large protein and gene sequence data sets is to locate targets that are similar to an input query sequence. The current set popular search tools, such as BLAST, employs heuristics to improve the speed of such searches. However, such heuristics can sometimes miss targets, which in many cases is undesirable. The alternative to BLAST is to use an accurate algorithm, Such as Smith-Waterman(S-W) algorithm. However, these accurate algorithms are computationally very expensive. Recently, a new technique, OASIS, has been proposed to improve the efficiency and accuracy by employing dynamical programming during traversing suffix tree and its speed is comparable to BLAST. But its main drawback is too much memory consuming. We propose an efficient and accurate algorithm for locally aligning genome sequences. We construct a block sorting index structure for the large sequence. The index structure is less than the suffix tree index and can be fit for large data size. Experimental results show that our algorithm has better performance than OASIS. Keywords sequence; block sorting index; accuracy1. 引言 随着人类基因组计划的不断发展，在结构基因学和功能基因学的研究过程中，生物序列的相似性分析成为一种有效的手段[1]。通常情况下，两条DNA长序列，可能只在很小的区域内(密码区)存在关系；不同家族的蛋白质往往具有功能和结构上的相同的一些区域。因而，研究序列局部相似性比研究全序列相似性往往更有意义。 序列局部比对是一种关于片段相似性的定性描述[1]。通常的方法是通过动态规划[2]进行精确查找两个序列的最优局部比对，但因其代价太大，对超长生物序列直接应用这种技术是不可行的。为了提高查询速度，启发式算法当前被广泛应用，这些算法可以分为三类：基于哈希表的算法、基于频率空间过滤的算法、基于后缀树索引的算法。 基于哈希表的典型算法有FASTA[5]和BLAST[6]。FASTA的核心思想是对数据库序列中的所有模式进行哈希索引。在查询时基于哈希索引可以快速检索出可能的匹配模式。然后根据这些模式的扩展得到更长的序列。BLAST算法是建立在严格的统计学的基础之上，它主要用于发现具有较高的相似性的局部比对。在大多数情况下，根据局部比对参数会产生若干个HSP(High-score Sequence Pairs)。然后把所有匹配分值大于阈值的HSP作为结果。这种基于启发式算法的过滤原理尽管在一定程度上尽量减少丢失局部比对的结果，但精确率却不可能达到100%，一些符合条件的匹配序列可能不在查询结果中。 MRS[4]是基于频率空间过滤的代表方法，它采用滑动窗口和小波变换技术，设计了一种高效的生物序列搜索方法。根据频率距离是编辑距离的上界的过滤原理，可以节省大约50%的编辑距离计算。这种技术比较适合