[发明专利]一种用后缀数组加速大规模蛋白质鉴定的方法及其系统

说明书

技术领域

本发明涉及蛋白质鉴定技术，特别是涉及一种用后缀数组(SA，SuffixArray)加速大规模蛋白质鉴定的方法及其系统。

背景技术

基于串联质谱的蛋白质鉴定已经成为蛋白质组学的主流技术，参考文献1《Aebersold，R.and Mann，M.Mass spectrometry-based proteomics，Nature，2003，422：198-207》中有较为详细的说明。而数据库搜索已经成为鉴定串联质谱数据的主流技术，参考文献2《Eng，J.K.，McCormack，A.L.and Yates，J.R.An approachto correlate tandem mass spectral data of peptides with amino acid sequences in aprotein database.J Am Soc Mass Spectrom，1994，5：976-989》；参考文献3《Perkins，D.N.，Pappin，D.J.，Creasy，D.M.and Cottrell，J.S.Probability-basedprotein identification by searching sequence databases using mass spectrometrydata.Electrophoresis，1999，20：3551-3567》；参考文献4《Field，H.I.，D.andBeavis，R.C.RADARS，a bioinformatics solution that automates proteome massspectral analysis，optimises protein identification，and archives data in a relationaldatabase.Proteomics，2002，2：36-47》有较为详细的说明。

数据库搜索技术的基本步骤如下：将数据库中的蛋白质序列按照生物学的酶切规则模拟酶切为许多较短的序列(称为肽)，并且计算出肽的质量。鉴定时，设定一个质量误差范围，串联质谱(简称为谱)与这个质量误差范围之内的肽，都进行匹配打分。对每个谱，选取得分最高的肽，再根据一定的规则评价这个肽的正确性。如果正确，再根据肽找到相应的蛋白质。

在数据库中，20种氨基酸分别由20种英文字母表示。蛋白质序列是由氨基酸序列组成，在数据库中表示为英文字母序列，如“MLPYMDQVLRAFYQSTK”这样的序列。所谓酶切则是将比较长的蛋白质序列切成较短的序列(称为肽)，这样才能让质谱仪检测到。酶切又分为不同的情况，如非特异性酶切，只要求肽的长度和质量在一定范围之内，蛋白质序列的任何一段都是合法的肽。而特异性酶切，则对肽的两端或前后有一定的限制，如C端的Trypsin酶切，肽序列只有它N端(在序列中为左端)前一个字母为‘K’或‘R’，并且C端(在序列中为右端)的第一个字母也为‘K’或‘R’时，这个肽才是合法的肽，如蛋白质序列“MLPYMDQVLRAFYQSTK”中。对N端的Trypsin酶切，肽序列只有它N端第一个字母为‘K’或‘R’，并且C端的后一个字母也为‘K’或‘R’时，这个肽才是合法的肽。非特异酶切介于特异与半特异之间，它对肽的一端有限制，而另一端没有限制。

目前，影响这种蛋白质数据库搜索进一步发展的主要问题之一就是速度问题，因为数据库在不断增大，半特异，非特异酶切，翻译后修饰导致候选肽急剧增加。为了提高速度，大部分引擎和软件都通过重组数据库来提高速度。因为在蛋白质酶切到肽段的过程中，产生了许多冗余肽。在较大的数据库中，如IPI-Human，肽的冗余比甚至达到了50％。同时，随着数据库的不断增大，快速从蛋白质数据库中提取肽段，也成为提高速度的一个方式。

许多搜索引擎都采用了重组数据库的方法来提高鉴定速度，在这其中，应用最为广泛的是倒排索引。但是，倒排索引消耗了太多的时间和空间来创建索引，同时，索引的在线使用也不方便。本发明提出了一种使用后缀数组来重组蛋白质序列数据库的方法，以达到去掉冗余的肽和快速查询的目的，从而提高蛋白质的鉴定。同时，这种方法所需要的时间和空间都很少，并且使用比较方便。

发明内容

本发明的目的在于提供一种用后缀数组加速大规模蛋白质鉴定的方法及其系统，用于解决目前大规模蛋白质鉴定中基于串联质谱的数据库搜索速度过慢，以及广泛应用的倒排索引创建需要的时间和空间太大并且使用不方便的问题。