專利名稱：一種可得到完全解的生物序列局部比對(duì)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)據(jù)庫和生物信息學(xué)領(lǐng)域，具體涉及一種可得到完全解的生物序列局部比對(duì)方法。
背景技術(shù)：
在生物信息學(xué)研究中，經(jīng)常需要將獲得的基因或蛋白質(zhì)序列(設(shè)為P)與已知的生物序列(設(shè)為T)進(jìn)行比對(duì)。在很多時(shí)候，T和P從整體來看也許并不相似，然而二者卻可能包含非常相似的子序列。局部比對(duì)的目的就是要找出這類具有高度相似性的子序列。局部比對(duì)技術(shù)在生物信息學(xué)研究中有重要的應(yīng)用，例如可用于基因和蛋白功能研究、物種同源性研究等。將兩條不同的基因序列進(jìn)行局部比對(duì)，通過分析二者相似的子序列，從而找出兩條基因序列中具有相似功能的基因片段。通過把新發(fā)現(xiàn)的蛋白序列同功能已知的蛋白序列作比對(duì)，則可以推測(cè)新蛋白的功能，指導(dǎo)新藥的開發(fā)。在不同的物種中，特定基因的序列變異可用于研究物種之間的同源性。將兩個(gè)物種的基因進(jìn)行局部比對(duì)時(shí)，錯(cuò)配與突變相應(yīng)，空位與插入或缺失對(duì)應(yīng)，比對(duì)的結(jié)果可用于判斷基因的相似度，此外也可以在基因組層面比較序列的相同與差異之處，將結(jié)果用于構(gòu)建進(jìn)化樹。因此，探索生物序列的局部相似性具有非常重要的意義。如何能夠準(zhǔn)確快速的進(jìn)行局部比對(duì)人們提出了挑戰(zhàn)。目前已有的較為經(jīng)典的算法包括 Smith-Waterman、FASTA、BLAST 等。Smith-Waterman基于動(dòng)態(tài)規(guī)劃的思想，算法考慮兩個(gè)序列中任意長(zhǎng)度的子串，在計(jì)算得分的過程中允許匹配、不匹配和插入空格的操作。用這種方法得到的比對(duì)也是局部比對(duì)中得分最高者。該方法的時(shí)間和空間復(fù)雜度都是0 (mn)，其中m和n分別是P和T的長(zhǎng)度。盡管該方法能夠找到所有符合條件的結(jié)果，但是時(shí)間和空間上消耗都太大，以至于很少在實(shí)際中應(yīng)用。FASTA是一種經(jīng)典的、基于啟發(fā)式算法的生物序列局部比對(duì)工具，其基本思路是首先在T中精確匹配很短的序列片段K-tuple,之后米用啟發(fā)式算法將構(gòu)成的動(dòng)態(tài)規(guī)劃矩陣中同一或相鄰對(duì)角線中位置相近的片段連接起來，構(gòu)成局部比對(duì)結(jié)果。該方法雖有較高的效率，但并不能保證得到所有符合條件的結(jié)果。BLAST是一種經(jīng)典且非常流行的生物序列局部比對(duì)工具。與FASTA相似，BLAST也是基于啟發(fā)式算法。首先在T和P中定位匹配程度超過一定閾值的短片段對(duì)segment pair,然后從這些位置開始向左右擴(kuò)展得到滿足給定閾值的局部比對(duì)結(jié)果。該方法雖然具有很高的效率，但同樣不能保證找到所有符合條件的結(jié)果。

發(fā)明內(nèi)容
針對(duì)現(xiàn)有技術(shù)存在的不足，本發(fā)明提供一種可得到完全解的生物序列局部比對(duì)方法，利用BWT索引，結(jié)合過濾和重用技術(shù)，得到生物序列局部比對(duì)的完全解。本發(fā)明采用一組廣泛應(yīng)用的得分模式，在這組得分模式中，匹配得分是指若兩個(gè)對(duì)應(yīng)字符相同則為一個(gè)匹配(match)，每一個(gè)匹配(match)得Sa分，不匹配得分是指若兩個(gè)對(duì)應(yīng)字符不相同，即需進(jìn)行替換操作，則為一個(gè)不匹配(mismatch)，不匹配得Sb分，若需進(jìn)行插入或刪除操作，則插入一個(gè)gap (連續(xù)插入r個(gè)空格)得分為Sg+rXSs,其中Sg是gap起始罰分(gap opening penalty),即每插入一個(gè)gap需罰相應(yīng)的分?jǐn)?shù),Ss是gap擴(kuò)展罰分(gap extension penalty),也就是每插入一個(gè)空格罰Ss分。Sa為正分，Sb, Sg和Ss均為負(fù)分。本發(fā)明方法包含以下步驟步驟I :采用一種生物序列作為基準(zhǔn)序列T，另一種生物序列作查詢序列P ；步驟2 :進(jìn)行基準(zhǔn)序列的后綴樹分支與查詢序列的比對(duì)，步驟如下步驟2. I :設(shè)定匹配得分Sa，不匹配得分Sb，起始罰分Sg，擴(kuò)展罰分Ss，分?jǐn)?shù)閾值 H；步驟2. 2 :對(duì)基準(zhǔn)序列T的逆序列T4構(gòu)建BWT索引；BffT最早應(yīng)用在數(shù)據(jù)壓縮方面，對(duì)一個(gè)字符串進(jìn)行BWT變換后并不改變字符串中字符的值，只是將它們的位置進(jìn)行了改變。本方法通過BWT索引模擬后綴樹遍歷，構(gòu)建BWT索引，步驟如下步驟2. 2. I :在T—1的末尾增加一特殊字符$，使該字符小于T—1序列中所有字符；步驟2. 2. 2 :對(duì)T1的后綴數(shù)組按字典序進(jìn)行排序；步驟2. 2. 3 :建立數(shù)組SA，使其代表排序后的后綴數(shù)組中第i個(gè)位置的子序列在T1中出現(xiàn)的開頭位置；步驟2. 2. 4 :經(jīng)過上述8胃1'變換后得到的序列的第1個(gè)字符8^[1]=1'_1[5么[1]-1]，若 SA[i]-l=0，則 BWT[i]=$ ；步驟2. 3 :按基準(zhǔn)序列的后綴樹分支進(jìn)行局部比對(duì)，計(jì)算各分支比對(duì)得分結(jié)果；設(shè)X代表T的后綴樹中從根節(jié)點(diǎn)到葉子節(jié)點(diǎn)的任意一支的字符串，后綴樹分支可以定義成后綴樹中從根節(jié)點(diǎn)到葉子節(jié)點(diǎn)的一條路徑；計(jì)算所有滿足如下條件的比對(duì)sim(X[I, i], P[y, j]) ^ H(1 ^ i ^ X|) (I ^ y ^ j ^ |P|)其中sim(X[l，i]，P[y，j])代表X[l，i]與P[y，j]比對(duì)的分?jǐn)?shù)，H代表給定的分?jǐn)?shù)閾值。P[y，j]代表P中從y到j(luò)位置的子串；按基準(zhǔn)序列的后綴樹分支進(jìn)行局部比對(duì)，計(jì)算各分支比對(duì)得分結(jié)果，具體按如下步驟進(jìn)行步驟2. 3. I :過濾，包括長(zhǎng)度過濾、分?jǐn)?shù)過濾、區(qū)域過濾、前綴過濾；具體如下；I)長(zhǎng)度過濾比對(duì)過程中，計(jì)算基準(zhǔn)序列的子序列與查詢序列構(gòu)成的矩陣時(shí)，限定在一定長(zhǎng)度范圍內(nèi)，過濾掉不必要的計(jì)算；當(dāng)計(jì)算矩陣Mx時(shí)，只有當(dāng)i滿足如下條件時(shí)才需要計(jì)算Mx (i，j)和其后續(xù)值
權(quán)利要求
1.一種可得到完全解的生物序列局部比對(duì)方法，其特征在于包含以下步驟 步驟I:采用一種生物序列作為基準(zhǔn)序列，另一種生物序列作查詢序列； 步驟2 :進(jìn)行基準(zhǔn)序列的后綴樹分支與查詢序列的比對(duì)，步驟如下 步驟2. I :設(shè)定匹配得分Sa，不匹配得分Sb，起始罰分Sg，擴(kuò)展罰分Ss，分?jǐn)?shù)閾值H ； 步驟2. 2 :對(duì)基準(zhǔn)序列的逆序列T—1構(gòu)建BWT索引； 步驟2. 3 :按基準(zhǔn)序列的后綴樹分支進(jìn)行局部比對(duì)，計(jì)算各分支比對(duì)得分結(jié)果； 步驟3 :整合各分支比對(duì)得分結(jié)果，取最大值作為兩個(gè)生物序列的最終比對(duì)得分結(jié)果；步驟4 :根據(jù)最終比對(duì)得分結(jié)果，尋找查詢序列和基準(zhǔn)序列中具有相似功能的片段或判斷查詢序列和基準(zhǔn)序列之間的同源性關(guān)系。
2.根據(jù)權(quán)利要求I所述的可得到完全解的生物序列局部比對(duì)方法，其特征在于步驟2. 2對(duì)基準(zhǔn)序列的逆序列T—1構(gòu)建BWT索引，包括如下步驟 步驟2. 2. I :在基準(zhǔn)序列的逆序列的末尾增加一字符，使該字符小于基準(zhǔn)序列的逆序列中所有字符； 步驟2. 2. 2 :對(duì)基準(zhǔn)序列的逆序列的后綴樹分支按字典序進(jìn)行排序； 步驟2. 2. 3 :建立數(shù)組SA，使其代表排序后的后綴數(shù)組中第i個(gè)位置的子序列在T—1中出現(xiàn)的開頭位直； 步驟2. 2. 4 :經(jīng)過BWT變換后得到的序列的第i個(gè)字符為T1中第SA[i]-l個(gè)字符。
3.根據(jù)權(quán)利要求I所述的可得到完全解的生物序列局部比對(duì)方法，其特征在于所述步驟2. 3按基準(zhǔn)序列的后綴樹分支進(jìn)行局部比對(duì)，計(jì)算各分支比對(duì)得分結(jié)果，按如下步驟進(jìn)行 步驟2. 3. I :過濾； 過濾包括長(zhǎng)度過濾、分?jǐn)?shù)過濾、區(qū)域過濾、前綴過濾，具體如下 1)長(zhǎng)度過濾比對(duì)過程中，只有當(dāng)i滿足如下條件時(shí)才需要計(jì)算基準(zhǔn)序列子序列X與查詢序列P的比對(duì)得分構(gòu)成的矩陣仏(1，」)和仏(1，j)后續(xù)值
全文摘要
一種可得到完全解的生物序列局部比對(duì)方法，包含以下步驟步驟1采用一種生物序列作為基準(zhǔn)序列，另一種生物序列作查詢序列，設(shè)定匹配得分Sa，不匹配得分Sb，起始罰分Sg，擴(kuò)展罰分Ss，分?jǐn)?shù)閾值H；步驟2進(jìn)行基準(zhǔn)序列的后綴樹分支與查詢序列的比對(duì)，步驟如下步驟3整合各分支比對(duì)得分結(jié)果，取最大值作為兩個(gè)生物序列的最終比對(duì)得分結(jié)果。步驟4根據(jù)最終比對(duì)得分結(jié)果，尋找查詢序列和基準(zhǔn)序列中具有相似功能的片段或判斷查詢序列和基準(zhǔn)序列之間的同源性關(guān)系。本發(fā)明采用BWT索引，結(jié)合過濾和重用技術(shù)，進(jìn)行基準(zhǔn)序列的后綴樹分支與查詢序列的比對(duì)，得出生物序列比對(duì)的完全解，彌補(bǔ)現(xiàn)有方法準(zhǔn)確度不夠或效率低下的問題。
文檔編號(hào)G06F19/22GK102750461SQ201210196668
公開日2012年10月24日 申請(qǐng)日期2012年6月14日 優(yōu)先權(quán)日2012年6月14日
發(fā)明者劉洪磊, 楊曉春, 王佳英, 王斌 申請(qǐng)人:東北大學(xué)