[发明专利]蛋白质序列数据库并行搜索鉴定方法与装置

说明书

本申请涉及一种蛋白质序列数据库并行搜索鉴定方法、装置、计算机设备和存储介质，其中，方法包括：预处理待鉴定的实验质谱数据集和蛋白质序列数据库，对蛋白序列数据库中每条蛋白序列进行模拟酶切，获取理论质谱数据集；分别提取实验质谱数据集对应的每个实验质谱图的质谱峰，生成搜索查询集合，并根据搜索查询集合在蛋白质序列库中搜索理论质谱数据集，获取候选肽段序列集合；根据每个实验质谱图及其对应的候选肽段序列集合，生成候选肽段并打分；整合打分结果，并进行肽段到蛋白质的推断，得蛋白质鉴定结果，采用并行处理的方式显著提高蛋白质序列数据库搜索鉴定效率。

技术领域

本申请涉及生物信息技术领域，特别是涉及一种蛋白质序列数据库并行搜索鉴定方法、装置、计算机设备和存储介质。

背景技术

随着人类基因组计划的基本完成，生命科学研究开始步入后基因组时代，其中，蛋白质组学研究逐渐成为生命科学研究的核心内容。在蛋白质组学中，基于串联质谱的蛋白质序列鉴定技术已经成为主流的规模化蛋白质鉴定方法之一。基于串联质谱技术的蛋白质鉴定的计算方法主要有三种：数据库搜索方法、从头测序方法、肽序列标签方法。其中，数据库搜索方法是最常用的，其基本思路是把实验得到的串联质谱图谱和数据库中蛋白质序列的理论裂解图谱按照一定的打分规则进行匹配，并将得分最高的图谱作为实验质谱的目标肽段序列。

在基于序列数据库搜索的蛋白质鉴定中，序列数据库的搜索时间与数据量并非呈简单的线性关系，而是呈现出更高阶的时间复杂度。近几年来,随着质谱科学技术的迅速发展与普及，生物信息学数据特别是质谱数据的数量呈现出爆炸式增长，同时蛋白质数据库的规模也呈现着指数级的增长趋势，不断扩个的质谱数据量给数据库搜索方法带来了更严峻的挑战。

因此，如何提供一种高效的蛋白质序列数据库搜索鉴定方法是目前急需解决的技术难题。

发明内容

基于此，有必要针对上述技术问题，提供一种高效的蛋白质序列数据库并行搜索鉴定方法、装置、计算机设备和存储介质。

一种蛋白质序列数据库并行搜索鉴定方法，所述方法包括：

预处理待鉴定的实验质谱数据集和蛋白质序列数据库；

对所述蛋白序列数据库中每条蛋白序列进行模拟酶切，获取理论质谱数据集；

分别提取所述实验质谱数据集对应的每个实验质谱图的质谱峰，生成搜索查询集合，并根据所述搜索查询集合在所述蛋白质序列库中搜索所述理论质谱数据集，获取候选肽段序列集合；

根据每个实验质谱图及其对应的候选肽段序列集合，生成候选肽段并打分；

整合打分结果，并进行肽段到蛋白质的推断，得蛋白质鉴定结果。

在其中一个实施例中，所述预处理待鉴定的实验质谱数据集和蛋白质序列数据库包括：

将待鉴定的实验质谱数据集和蛋白质序列数据库存储至HDFS(HadoopDistributed Filesystem，集群的分布式存储系统)中；

对实验质谱数据集对应的每个实验质谱图进行预处理，挑选每个实验质谱图对应的质谱峰；

对蛋白质序列数据库进行预处理，获取蛋白质序列及名称。

在其中一个实施例中，所述对实验质谱数据集对应的每个实验质谱图进行预处理，挑选每个实验质谱图对应的质谱峰包括：

根据实验质谱数据集的规模，对实验质谱数据集进行分割，得到多个实验质谱图；

对每个实验质谱图分别进行去除无效质谱峰处理，无效质谱峰包括噪音离子峰和杂质离子峰；

去除每个实验质谱图中丰度低于预设阈值的质谱峰；