生物序列拼接算法phrap+的并行化研讨.pdfVIP

生物序列拼接算法--phrap 的并行化研究* 张法1 2 1 1 刘志勇 乔香珍 刘玮 ( 1 中国科学院计算技术研究所 2 国家自然科学基金委员会 ) ( zf@, zliu@, qiao@, liu_wei@ ) 摘 要 生物序列的拼接是生物信息学中常见的问题，其中phrap 算法是目前最流行的拼接 算法之一。然而phrap 算法在处理大规模数据时的运算速度以及对内存的庞大需求，已经成 为需要迫切解决的问题。文章从提高算法的运行速度和降低内存的需求量入手，提出了一种 并行phrap 算法，并且在曙光3000 高性能计算机上得到了实现，获得了较好的性能。 关键字 生物信息 序列拼接 phrap 并行 1 简 介 生物信息处理首先需要对基因组进行测序，以确定DNA 分子的序列表达。由于当前的 测序技术只能直接测得DNA 序列上 300 ～ 700 个碱基。目前最流行的测序方法是鸟枪测 序法（Shotgun Sequencing ）：一个DNA 分子先经过克隆形成若干个拷贝，然后这些拷贝被 打碎成若干条短的，可以直接测序的片段，每一条片段称作一个“read ”。这些read 之间存 在着大小区域不等的重叠（overlap ）区域。序列的拼接问题就是，如何通过这些read 来重 新构造出原始的序列[1]。 对于字符a 和序列A ，我们假设a 为a 的互补字符，A 为A 的逆互补序列，则就DNA 序列而言，a = t, t = a, c = g, g = c 。若A = g a c c t ， 则A = tccag = a g g t c 。 定义1：若A 、B 为两条DNA 序列，我们将从A 转换到B 所需的插入（insertion ）、删 除（deletion ）和置换 （substitution ）操作的次数称作编辑距离 （edit distance ），记作d(A , B) 。 定义2 ：DNA 序列拼接问题 (the DNA sequence reconstruction p roblem)[2] ，给定一个片 段序列的集合F 和一个误差ε，0 ≤ε ≤1, 则序列重构问题可描述为：寻找一条最短的序列 S ，对于任意一个片段A ，A ∈F ，在S 中都能找到一个子序列B ，使得 min(d (A, B), d (A, B)) ≤εA ，其中A 为片段A 的长度。 DNA 序列拼接问题的本质是最短超串问题 (shortest common superstring problem) ，当误 差ε = 0 时，序列拼接问题就变成最短超串问题。J. D. kececioglu 在[3]中已经证明DNA 序列 拼接问题是一个NP 完全问题。 由于序列拼接问题的复杂性以及在生物信息学中的特殊性，人们对这一问题进行了深入 的研究，并提出了许多序列拼接的启发式算法或近似算法。总的来说，序列拼接算法可以大 致分成两类：一类是利用Hamiltonian path 的方法，另一类是利用Eulerian path 的方法。 利用Hamiltonian path 方法的基本思想是[4]：首先将所有的read 构成一个有向图G，每 个read 看成一个结点，如果两个read 之间存在有重叠overlap ，那么在相应的结点之间就存 在有一条边。然后通过寻找经过每个 read 一次且仅一次的一条路径，就可以将序列拼接问 题转化成Hamiltonian path 问题。这种方法大致可以分为如下三步：1）找出序列片段间的 重叠信息；2 ）将存在有重叠的片段组合起来，形成一个contig 结构；3 ）根据片段中每个碱 基的质量值，在contig 结构中寻找一条最终序列，称作“Consensus ”序列。 * 国家自然科学基金和华大－曙光联合实验