蛋白質(zhì)數(shù)據(jù)庫去冗余程序的研究與開發(fā).pdf

1、許多生物序列數(shù)據(jù)庫中都含有大量的冗余序列，這些冗余序列通常不利于對數(shù)據(jù)庫的統(tǒng)計分析和處理，而且它們要占用更多的計算機存儲和處理資源。去除這些冗余信息具有很高的實用價值，不但可以減小數(shù)據(jù)庫的大小提高序列搜索的速度，而且有助于對數(shù)據(jù)庫的統(tǒng)計分析。目前存在不少蛋白質(zhì)去冗余程序，它們多數(shù)采用Hobohm和Sander的算法來生成代表序列以達(dá)到去除冗余序列的目的。然而，這種算法生成的代表序列集合不是足夠大的，某些非冗余的蛋白質(zhì)序列也被去除了。

2、 在本文中，我們對蛋白質(zhì)去冗余問題進(jìn)行了深入的分析和研究，主要研究內(nèi)容和取得的成果如下： 1．改進(jìn)了Hobohm和Sander的算法：我們基于圖論最大獨立集的概念來生成非冗余序列集合，對目前存在的蛋白質(zhì)去冗余程序如CD—HIT、PISCES等所采用的由Hobohm和Sander最早設(shè)計的一種首先將序列集合分成若干個簇然后取出每個簇的代表序列的算法進(jìn)行了改進(jìn)，使得生成了更大的非冗余代表序列集合，避免了一些非冗余的序列也被去除。

3、 2．基于上述改進(jìn)算法，開發(fā)了兩個版本的FastCluster：第一個版本基于全局比對算法來確定序列之間的相似度，提供了一種從全局比對角度來去除冗余序列的程序，其缺點在于運行速度較慢，不太適合處理大規(guī)模的數(shù)據(jù)集；第二個版本采用了Blast來確定序列之間的相似度，提高了運行速度，可以在較短的時間內(nèi)處理較大規(guī)模的蛋白質(zhì)數(shù)據(jù)庫。FastCluster的下載地址是： http://pcal.biosino.org/FastCluster

4、.html． 3．建立了蛋白質(zhì)序列數(shù)據(jù)庫的無向圖模型，并開發(fā)了相應(yīng)的程序BlastCuller：一個蛋白質(zhì)序列集合可以看作是一個無向圖，序列對應(yīng)圖中的頂點，如果兩個序列之間的相似度超過某個設(shè)定的閾值則這兩個序列之間存在一條邊?；谠撃Ｐ烷_發(fā)的BlastCuller不僅具有很高的實用價值，能夠處理較大規(guī)模的蛋白質(zhì)序列數(shù)據(jù)庫，而且為去冗余問題提供了一個有效的可擴(kuò)展的程序框架，可以加入新的算法來更好地解決去冗余問題。BlastCull