本發(fā)明涉及生物信息技術(shù)領(lǐng)域，特別涉及一種基因序列讀取方法及讀取系統(tǒng)。

背景技術(shù)：

在當(dāng)前的基因測序過程中，由不同測序平臺產(chǎn)生的序列的錯誤存在一定差別，主要有以下4種：堿基的置換(substitution)錯誤，堿基的插入(insertion)錯誤，堿基的刪除(deletion)錯誤和模糊堿基的出現(xiàn)(如用n來指示可能的4種堿基a、c、g、t)。比如，illumina平臺的錯誤主要是堿基的置換錯誤，roche454、heliscope、iontorrent和pacificbioscience公司的rs平臺的錯誤主要是堿基的插入和刪除錯誤。從糾錯方法的算法基礎(chǔ)來分，目前使用的糾錯方法主要有以下3種：1)基于k-spectrum的方法；2)基于suffixtree/suffixarray的方法；3)基于multiplesequencealignment(msa)的方法。

然而現(xiàn)有軟件技術(shù)針對的都是特定的測序平臺、基因測序序列的部分錯誤類型，還沒有一種能夠適用于絕大多數(shù)平臺，較好地解決各種序列錯誤的軟件技術(shù)，所以有時很難找到合適的算法進(jìn)行糾錯。直接對測得的數(shù)據(jù)進(jìn)行讀取，存在的錯誤序列會耗費大量內(nèi)存。

并且，在當(dāng)前讀取基因序列的過程中，常采用串行讀取文件的方式來實現(xiàn)dna數(shù)據(jù)的讀取，這對單機(jī)存儲的內(nèi)存要求很高；另外，雖然abyss算法實現(xiàn)了debruijn圖的分布式構(gòu)建，但是，對整個并行文件讀取方式并沒有進(jìn)行任何說明。

由此可見，現(xiàn)有技術(shù)序列讀取方法存在著測序平臺限制以及對單機(jī)存儲dna數(shù)據(jù)文件的內(nèi)存消耗高的問題，還有待改進(jìn)。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基因序列讀取方法及讀取系統(tǒng)，可以減少單機(jī)的內(nèi)存消耗，同時大大提高了基因序列讀取的效率與準(zhǔn)確性。

為解決上述技術(shù)問題，本發(fā)明的實施方式提供了一種基因序列讀取方法，所述分析方法包括如下步驟：

根據(jù)原始基因序列的相關(guān)信息，確定合適的糾錯算法，并使用所述糾錯算法對所述原始基因序列進(jìn)行糾錯，得到待處理基因序列；

根據(jù)預(yù)設(shè)的進(jìn)程數(shù)量以及所述待處理基因序列的總大小，將所述待處理基因序列進(jìn)行分塊處理，得到多個分塊基因序列；以及，

并發(fā)讀取所述分塊基因序列。

其中，所述根據(jù)預(yù)設(shè)進(jìn)程數(shù)量以及所述待分析基因序列的總大小，將待處理基因序列進(jìn)行分塊處理，包括：

初始化基因序列并行分割程序；

獲取所述待分析基因序列的總大小size；

根據(jù)預(yù)設(shè)的進(jìn)程數(shù)量p以及所述待分析基因序列的總大小size，確定分塊大小size/p，根據(jù)所述分塊大小size/p對所述待分析基因序列進(jìn)行分塊處理，得到所述多個分塊基因序列。

其中，所述根據(jù)預(yù)設(shè)進(jìn)程數(shù)量p以及所述待分析基因序列的總大小size，確定分塊大小size/p，根據(jù)所述分塊大小size/p對所述待分析基因序列進(jìn)行分塊處理，包括：

設(shè)定進(jìn)程i的分塊基因序列的起始位置為i*size/p，終止位置為(i+1)*size/p；

尋找所述起始位置后的第一個序列的開始點start(i)，所述終止位置后的第一個序列的開始點或者文件終止符end(i)；

確定進(jìn)程i的分塊基因序列在所述待分析基因序列中的起始地址為start(i)，終止地址為end(i)的基因序列。

其中，所述并發(fā)讀取所述多個分塊基因序列，包括：

對所述分塊基因序列的起始地址和終止地址進(jìn)行視圖分塊處理；

并發(fā)讀取所述分塊基因序列的序列數(shù)據(jù)到內(nèi)存。

其中，所述基因序列的糾錯步驟、分塊處理步驟以及讀取步驟是并發(fā)執(zhí)行的。

其中，在所述根據(jù)原始基因序列的相關(guān)信息，確定合適的糾錯算法之前，還包括：

接收所述原始基因序列的相關(guān)信息。

本發(fā)明相應(yīng)地提供了一種基因序列讀取系統(tǒng)，所述系統(tǒng)包括：

糾錯模塊，用于根據(jù)原始基因序列的相關(guān)信息，確定合適的糾錯算法，并使用所述糾錯算法對所述原始基因序列進(jìn)行糾錯，得到待處理基因序列；

多個分塊處理模塊，每個所述分塊處理模塊均用于根據(jù)預(yù)設(shè)的進(jìn)程數(shù)量以及所述待處理基因序列的總大小，將所述待處理基因序列進(jìn)行分塊處理，得到分塊基因序列；

多個讀取模塊，每個所述讀取模塊均用于讀取所述分塊基因序列。

其中，每個所述分塊處理模塊包括：

初始化單元，用于初始化基因序列并行分割程序；

獲取單元，用于獲取所述待分析基因序列的總大小size；

分塊處理單元，用于根據(jù)預(yù)設(shè)的進(jìn)程數(shù)量p以及所述待分析基因序列的總大小size，確定分塊大小size/p，根據(jù)所述分塊大小size/p對所述待分析基因序列進(jìn)行分塊處理，得到所述多個分塊基因序列。

其中，所述分塊處理單元，具體用于：設(shè)定進(jìn)程i的分塊基因序列的起始位置為i*size/p，終止位置為(i+1)*size/p；尋找所述起始位置后的第一個序列的開始點start(i)，所述終止位置后的第一個序列的開始點或者文件終止符end(i)；確定進(jìn)程i的分塊基因序列在所述待分析基因序列中的起始地址為start(i)，終止地址為end(i)的基因序列。

其中，所述糾錯模塊、分塊處理模塊以及讀取模塊的操作是并發(fā)執(zhí)行的。

本發(fā)明的有益效果是：

本發(fā)明實施方式，一方面可以根據(jù)原始基因序列的相關(guān)信息確定合適的糾錯算法，以對原始基因序列進(jìn)行糾錯，因此對原始基因序列的測序平臺沒有限制。另一方面，還可以根據(jù)預(yù)設(shè)的進(jìn)程數(shù)量和待分析基因序列的總大小對糾錯處理后的基因序列進(jìn)行分塊以及并發(fā)讀取，這樣可以減少單機(jī)存儲dna數(shù)據(jù)文件的內(nèi)存消耗，同時大大提高了基因序列讀取的效率與準(zhǔn)確性。

附圖說明

圖1是本發(fā)明的基因序列讀取方法的實施例的流程示意圖；

圖2是圖1中步驟102的實施例的流程示意圖；

圖3是圖2中步驟203的實施例的流程示意圖；

圖4是圖1中步驟103的實施例的流程示意圖；

圖5是本發(fā)明的基因序列讀取系統(tǒng)的實施例的結(jié)構(gòu)示意圖；

圖6是圖5中分塊處理模塊的實施例的結(jié)構(gòu)示意圖；

圖7是本發(fā)明的讀取的基因序列的示意圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明的各實施方式進(jìn)行詳細(xì)的闡述。然而，本領(lǐng)域的普通技術(shù)人員可以理解，在本發(fā)明各實施方式中，為了使讀者更好地理解本申請而提出了許多技術(shù)細(xì)節(jié)。但是，即使沒有這些技術(shù)細(xì)節(jié)和基于以下各實施方式的種種變化和修改，也可以實現(xiàn)本申請各權(quán)利要求所要求保護(hù)的技術(shù)方案。

鑒于現(xiàn)有技術(shù)中，基因序列讀取方法存在著測序平臺限制以及對單機(jī)存儲dna數(shù)據(jù)文件的內(nèi)存消耗高的問題，為了減少單機(jī)存儲dna數(shù)據(jù)文件的內(nèi)存消耗，本發(fā)明實施例在高性能集群系統(tǒng)上，設(shè)計融合多平臺基因序列糾錯的并發(fā)讀取技術(shù)，適用于從絕大多數(shù)測序平臺獲得的基因序列，將糾錯和高速并發(fā)讀取合為一體，以及將糾錯后的數(shù)據(jù)直接交付給下一階段進(jìn)行讀取，可以做到糾錯和讀取幾乎并行執(zhí)行(有微小時間差，取決于糾錯開始到最先輸出的部分糾錯結(jié)果所花費的時間)，大大提高了基因序列讀取的效率與準(zhǔn)確性。下面，將通過具體的實施例對基因序列讀取方法進(jìn)行詳細(xì)說明。

如圖1所示，本發(fā)明的基因序列讀取方法的第一實施例的流程示意圖，該方法流程可以包括：

步驟101：根據(jù)原始基因序列的相關(guān)信息，確定合適的糾錯算法，并使用所述糾錯算法對所述原始基因序列進(jìn)行糾錯，得到待處理基因序列；

步驟102：將所述待處理基因序列進(jìn)行分塊處理，得到多個分塊基因序列；

步驟103：并發(fā)讀取所述多個分塊基因序列。

在步驟101中，首先對原始基因序列進(jìn)行糾錯。具體方式是：根據(jù)原始基因序列的相關(guān)信息，如測序平臺、文件格式，經(jīng)過邏輯判斷選擇合適的糾錯算法并進(jìn)行調(diào)用。同時根據(jù)所選擇的糾錯算法所需要的輸入格式，將原始基因序列的相關(guān)信息轉(zhuǎn)換為計算機(jī)指令進(jìn)行輸入；這樣既可使用調(diào)用的糾錯算法對原始基因序列進(jìn)行糾錯，得到經(jīng)糾錯處理后的基因序列，即待處理基因序列。

由于在進(jìn)行基因序列糾錯時，是根據(jù)原始基因序列的相關(guān)信息來確定合適的糾錯算法的，因此本方法對原始基因序列的來源即測序平臺沒有限制。即是說，原始基因序列可以是從各個平臺上測得的基因序列?？梢岳斫獾氖牵梢灶A(yù)先存儲多種基因序列的糾錯算法，以便在步驟101中能夠根據(jù)原始基因序列的來源進(jìn)行靈活的調(diào)用。

可以理解的是，原始基因序列的相關(guān)信息可以是用戶輸入的。也即是說在，在執(zhí)行步驟101之前，還可以包括：接收所述原始基因序列的相關(guān)信息。

在對原始基因序列進(jìn)行糾錯之后，即可交付到下一階段即步驟102中進(jìn)行分段處理。

在步驟102中，對待處理基因序列進(jìn)行分塊處理時，具體可以根據(jù)預(yù)設(shè)的進(jìn)程數(shù)量以及所述待分析基因序列的總大小，來進(jìn)行基因序列分塊處理，以得到多個分塊基因序列。

在對待處理基因序列進(jìn)行分塊之后，即可以將該分塊處理得到的多個分塊基因序列輸入至預(yù)設(shè)的進(jìn)程，換句話說，該預(yù)設(shè)的多個進(jìn)程可以并發(fā)讀取該多個分塊基因序列。

本實施方式的基因序列讀取方法，一方面可以根據(jù)原始基因序列的相關(guān)信息確定合適的糾錯算法，以對原始基因序列進(jìn)行糾錯，因此對原始基因序列的測序平臺沒有限制。另一方面，還可以根據(jù)預(yù)設(shè)的進(jìn)程數(shù)量和待分析基因序列的總大小對糾錯處理后的基因序列進(jìn)行分塊以及并發(fā)讀取，這樣可以減少單機(jī)存儲dna數(shù)據(jù)文件的內(nèi)存消耗，同時大大提高了基因序列讀取的效率與準(zhǔn)確性。

需要說明的是，對基因序列的糾錯，分塊處理以及讀取操作可以是并發(fā)執(zhí)行的。即是說，步驟101、102以及103幾乎是并發(fā)進(jìn)行的(僅有微小的時間差)。例如，在步驟101中得到部分的待處理基因序列之后，即可將該部分糾錯結(jié)果交由步驟102，以進(jìn)行分塊處理，此時步驟101中繼續(xù)對剩余的基因序列進(jìn)行糾錯。同時，在步驟102完成分塊處理之后，即可將得到的部分分塊結(jié)果交由步驟103。也即是說，在上述步驟101、步驟102中，每得到部分處理結(jié)果，即可交由下個步驟處理，這樣就可以大大提高基因序列讀取的效率。

下面，將對步驟102中如何根據(jù)預(yù)設(shè)的進(jìn)程數(shù)量以及待分析基因序列的總大小，對待處理基因序列進(jìn)行分塊處理進(jìn)行詳細(xì)的介紹。

圖2所示的是步驟102的實施例的流程示意圖。在將待處理基因序列進(jìn)行分塊處理時，具體包括：

步驟201：初始化基因序列并行分割程序。

步驟202：獲取所述待分析基因序列的總大小size。

步驟203：根據(jù)預(yù)設(shè)進(jìn)程數(shù)量p以及所述待處理基因序列的總大小size，確定分塊大小size/p，根據(jù)所述分塊大小size/p對所述待分析基因序列進(jìn)行分塊處理，得到所述多個分塊基因序列。

步驟201中，根據(jù)基因序列的特點，選擇的因序列并行分割程序可以是mpi并行程序。對mpi并行程序的初始化可以分為兩個子步驟，即mpi環(huán)境初始化設(shè)置以及輸入文件參數(shù)初始化設(shè)置。

mpi環(huán)境初始化設(shè)置，即在調(diào)用mpi并行程序之前，要完成對mpi程序的所有初始化工作，調(diào)用函數(shù)名稱為mpi_init()；再次，聲明參與計算的所有計算機(jī)節(jié)點信息、參與組通信的進(jìn)程標(biāo)識號以及參與組通信的所有的進(jìn)程數(shù)目。輸入文件參數(shù)初始化設(shè)置，即需要根據(jù)步驟101中得到的糾錯后的基因序列的相關(guān)信息，確定基因序列的值、文件存儲路徑。

步驟202中，具體操作時，所有參與計算的進(jìn)程并發(fā)調(diào)用mpi_file_open()函數(shù)打開待處理基因序列，并讀取該待處理基因序列文件的總大小。

步驟203中，所有參與計算的進(jìn)程根據(jù)預(yù)設(shè)進(jìn)程數(shù)量p以及所述待分析基因序列的總大小size，確定分塊大小size/p，所有參與計算的進(jìn)程根據(jù)所述分塊大小size/p對所述待處理基因序列進(jìn)行分塊處理，從而可以得到每個進(jìn)程需要處理的分塊基因序列。即是說，對待處理基因序列進(jìn)行分塊處理時，所有參與計算的進(jìn)程是并發(fā)執(zhí)行的。

具體地，在步驟203中，所有參與計算的進(jìn)程進(jìn)行分塊處理時的流程可以如圖3所示。

圖3所示的是步驟203的實施例的流程示意圖。所有參與計算的進(jìn)程在將待處理基因序列進(jìn)行分塊處理時，每個進(jìn)程的操作方式相同，下面以進(jìn)程i為例子進(jìn)行說明。具體包括：

步驟301，設(shè)定進(jìn)程i的分塊基因序列的起始位置為i*size/p，終止位置為(i+1)*size/p；

步驟302，尋找所述起始位置的第一個序列的開始點start(i)，尋找終止位置后的第一個序列的開始點或者文件終止符end(i)；

步驟303，確定進(jìn)程i的分塊基因序列在所述待分析基因序列中的起始地址為start(i)，終止地址為end(i)的基因序列。

通過圖2以及圖3的描述可知，本發(fā)明實施例提供了詳細(xì)的基因序列分塊處理方法，支持基因序列文件的文件塊自動分割及并行輸入，大大提高了海量基因序列文件的i/o效率。

由于mpi并行文件讀寫的關(guān)鍵在于每一個進(jìn)程都要清楚的知道所要處理的數(shù)據(jù)文件在文件中存儲的準(zhǔn)確位置，從而所有進(jìn)程可以同時文件的不同部分進(jìn)行讀寫，實現(xiàn)文件的并行操作。在采用圖2以及圖3所示的方法對基因序列進(jìn)行分割處理之后，在步驟103中并發(fā)讀取多個分塊基因序列時，本方法中采用mpi中多視口的并行文件讀寫方式。結(jié)合dna數(shù)據(jù)文件自身特點，本方法選擇調(diào)用mpi_file_set_view()函數(shù)對文件視圖依照上一部分的分塊結(jié)果進(jìn)行視圖分塊，確定每個進(jìn)程要處理的文件塊的起始位置和終止位置，最后，根據(jù)對文件標(biāo)記的起始和終止偏移地址，多進(jìn)程并發(fā)讀取每個進(jìn)程要存儲的文件塊。如圖4所示，該過程的實現(xiàn)流程包括如下步驟：

步驟401，對所述分塊基因序列的起始地址和終止地址進(jìn)行視圖分塊處理。例如，對進(jìn)程i來說，進(jìn)程i調(diào)用mpi_file_set_view()函數(shù)對文件視圖依照上一步的分塊結(jié)果[start(i),end(i)]進(jìn)行視圖分塊。

步驟402，讀取所述分塊基因序列的序列數(shù)據(jù)到內(nèi)存。具體操作可以是，進(jìn)程i順序讀取該文件塊中的序列數(shù)據(jù)(fasta格式)或者質(zhì)量數(shù)據(jù)(fastq格式)，并申請內(nèi)存空間存儲到內(nèi)存。

步驟403，關(guān)閉文件，打印信息。

調(diào)用mpi并行i/o中mpi_file_close()函數(shù)，所有參與計算的進(jìn)程關(guān)閉打開的基因序列文件，結(jié)束文件讀取操作。

例如，當(dāng)基因序列總小大為6，進(jìn)程數(shù)量為3時，每個進(jìn)程可得到2個分塊基因序列，此時讀取的基因序列可以如圖7所示。

上述對本發(fā)明中所涉及的方法的流程進(jìn)行了詳細(xì)說明，下面對本發(fā)明的基因序列分析系統(tǒng)的結(jié)構(gòu)進(jìn)行說明。

如圖5所示，是本發(fā)明的基因分析讀取系統(tǒng)500的實施例的結(jié)構(gòu)示意圖。基因分析讀取系統(tǒng)500包括：糾錯模塊501、多個分塊處理模塊502以及多個讀取模塊503。

其中，糾錯模塊501用于根據(jù)原始基因序列的相關(guān)信息，確定合適的糾錯算法，并使用所述糾錯算法對所述原始基因序列進(jìn)行糾錯，得到待處理基因序列。

其中，糾錯模塊501首先對原始基因序列進(jìn)行糾錯。具體方式是：根據(jù)原始基因序列的相關(guān)信息，如測序平臺、文件格式，經(jīng)過邏輯判斷選擇合適的糾錯算法并進(jìn)行調(diào)用。同時根據(jù)所選擇的糾錯算法所需要的輸入格式，將原始基因序列的相關(guān)信息轉(zhuǎn)換為計算機(jī)指令進(jìn)行輸入；這樣既可使用調(diào)用的糾錯算法對原始基因序列進(jìn)行糾錯，得到經(jīng)糾錯處理后的基因序列，即待處理基因序列。

由于在進(jìn)行基因序列糾錯時，是根據(jù)原始基因序列的相關(guān)信息來確定合適的糾錯算法的，因此糾錯模塊501對原始基因序列的來源即測序平臺沒有限制。即是說，原始基因序列可以是從各個平臺上測得的基因序列?？梢岳斫獾氖牵m錯模塊501可以預(yù)先存儲多種基因序列的糾錯算法，以便糾錯模塊501能夠根據(jù)原始基因序列的來源進(jìn)行靈活的調(diào)用。

可以理解的是，原始基因序列的相關(guān)信息可以是用戶輸入的。也即是說在，糾錯模塊501可以預(yù)先接收用戶輸入的關(guān)于所述原始基因序列的相關(guān)信息。

每個分塊處理模塊502均用于根據(jù)預(yù)設(shè)的進(jìn)程數(shù)量以及所述待處理基因序列的總大小，將所述待處理基因序列進(jìn)行分塊處理，得到分塊基因序列；每個所述讀取模塊503均用于讀取所述分塊基因序列。

其中，分塊處理模塊502在對處理基因序列進(jìn)行分塊處理時，具體可以根據(jù)預(yù)設(shè)的進(jìn)程數(shù)量以及所述待分析基因序列的總大小，來進(jìn)行基因序列分塊處理，以得到多個分塊基因序列。分塊處理模塊502在對待處理基因序列進(jìn)行分塊之后，即可以將該分塊處理得到的多個分塊基因序列輸入至預(yù)設(shè)的進(jìn)程，換句話說，該預(yù)設(shè)的多個進(jìn)程可以并發(fā)讀取該多個分塊基因序列。其中，每個讀取模塊503運行對應(yīng)運行一個進(jìn)程。

本實施方式的基因序列讀取系統(tǒng)，一方面可以根據(jù)原始基因序列的相關(guān)信息確定合適的糾錯算法，以對原始基因序列進(jìn)行糾錯，因此對原始基因序列的測序平臺沒有限制。另一方面，還可以根據(jù)預(yù)設(shè)的進(jìn)程數(shù)量和待分析基因序列的總大小對糾錯處理后的基因序列進(jìn)行分塊以及并發(fā)讀取，這樣可以減少單機(jī)存儲dna數(shù)據(jù)文件的內(nèi)存消耗，同時大大提高了基因序列讀取的效率與準(zhǔn)確性。

需要說明的是，如圖5所示，糾錯模塊501、分塊處理模塊502以及讀取模塊503的操作是并發(fā)執(zhí)行的。在糾錯模塊501得到部分結(jié)果后，可直接交付給下一階段分塊處理模塊502進(jìn)行下一步操作，同時糾錯模塊501繼續(xù)對其余的數(shù)據(jù)進(jìn)行糾錯，每得到一部分結(jié)果便交付給下一階段，大大提高了整個讀取系統(tǒng)的讀取效率。

如圖6所示，是圖5中分塊處理模塊502的實施例的結(jié)構(gòu)示意圖，其包括：初始化單元5021，獲取單元5022以及分塊處理單元5023。

其中，初始化單元5021，用于初始化基因序列并行分割程序。初始化單元5021在初始化時，可根據(jù)基因序列的特點，選擇的因序列并行分割程序可以是mpi并行程序。對mpi并行程序的初始化可以分為兩個子步驟，即mpi環(huán)境初始化設(shè)置以及輸入文件參數(shù)初始化設(shè)置。mpi環(huán)境初始化設(shè)置，即在調(diào)用mpi并行程序之前，要完成對mpi程序的所有初始化工作，調(diào)用函數(shù)名稱為mpi_init()；再次，聲明參與計算的所有計算機(jī)節(jié)點信息、參與組通信的進(jìn)程標(biāo)識號以及參與組通信的所有的進(jìn)程數(shù)目。輸入文件參數(shù)初始化設(shè)置，即需要根據(jù)得到的糾錯后的基因序列的相關(guān)信息，確定基因序列的值、文件存儲路徑。

獲取單元5022，用于獲取所述待分析基因序列的總大小size；具體操作時，所有參與計算的進(jìn)程并發(fā)調(diào)用mpi_file_open()函數(shù)打開待處理基因序列，并讀取該待處理基因序列文件的總大小。

分塊處理單元5023，用于根據(jù)預(yù)設(shè)的進(jìn)程數(shù)量p以及所述待分析基因序列的總大小size，確定分塊大小size/p，根據(jù)所述分塊大小size/p對所述待分析基因序列進(jìn)行分塊處理，得到所述多個分塊基因序列。所有參與計算的進(jìn)程根據(jù)預(yù)設(shè)進(jìn)程數(shù)量p以及所述待分析基因序列的總大小size，確定分塊大小size/p，所有參與計算的進(jìn)程根據(jù)所述分塊大小size/p對所述待處理基因序列進(jìn)行分塊處理，從而可以得到每個進(jìn)程需要處理的分塊基因序列。即是說，對待處理基因序列進(jìn)行分塊處理時，所有參與計算的進(jìn)程是并發(fā)執(zhí)行的。

分塊處理單元5023，具體用于：設(shè)定進(jìn)程i的分塊基因序列的起始位置為i*size/p，終止位置為(i+1)*size/p；尋找所述起始位置后的第一個序列的開始點start(i)，所述終止位置后的第一個序列的開始點或者文件終止符end(i)；確定進(jìn)程i的分塊基因序列在所述待分析基因序列中的起始地址為start(i)，終止地址為end(i)的基因序列。本發(fā)明實施例提供了詳細(xì)的基因序列分塊處理方式，支持基因序列文件的文件塊自動分割及并行輸入，大大提高了海量基因序列文件的i/o效率。

由于mpi并行文件讀寫的關(guān)鍵在于每一個進(jìn)程都要清楚的知道所要處理的數(shù)據(jù)文件在文件中存儲的準(zhǔn)確位置，從而所有進(jìn)程可以同時文件的不同部分進(jìn)行讀寫，實現(xiàn)文件的并行操作。在分塊處理模塊502按照上述方式進(jìn)行分塊處理之后，多個讀取模塊503在并發(fā)讀取分塊基因序列時，采用mpi中多視口的并行文件讀寫方式。結(jié)合dna數(shù)據(jù)文件自身特點，選擇調(diào)用mpi_file_set_view()函數(shù)對文件視圖依照上一部分的分塊結(jié)果進(jìn)行視圖分塊，確定每個讀取模塊503要處理的文件塊的起始位置和終止位置，最后，根據(jù)對文件標(biāo)記的起始和終止偏移地址，多個讀取模塊503并發(fā)讀取每個個讀取模塊503要存儲的文件塊。

值得一提的是，本發(fā)明所涉及到的各模塊均為邏輯模塊，在實際應(yīng)用中，一個邏輯單元可以是一個物理單元，也可以是一個物理單元的一部分，還可以以多個物理單元的組合實現(xiàn)。此外，為了突出本發(fā)明的創(chuàng)新部分，本實施方式中并沒有將與解決本發(fā)明所提出的技術(shù)問題關(guān)系不太密切的單元引入，但這并不表明本實施方式中不存在其它的單元。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施方式方法中的全部或部分流程，是可以通過計算機(jī)程序來指令相關(guān)的硬件來完成，所述的程序可存儲于一計算機(jī)可讀取存儲介質(zhì)中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質(zhì)可為磁碟、光盤、只讀存儲記憶體(read-onlymemory，rom)或隨機(jī)存儲記憶體(randomaccessmemory，ram)等。

本領(lǐng)域的普通技術(shù)人員可以理解，上述各實施方式是實現(xiàn)本發(fā)明的具體實施例，而在實際應(yīng)用中，可以在形式上和細(xì)節(jié)上對其作各種改變，而不偏離本發(fā)明的精神和范圍。