[发明专利]基因组的组装方法及装置、计算机可读存储介质、处理器

说明书

本发明公开了一种基因组的组装方法及装置、计算机可读存储介质、处理器。其中，该方法包括：响应于第一命令，以利用原始测序数据生成预定数据库；响应于第二命令，基于多个文件生成多个区块；响应于第三命令，获取多个区块内的目标数据，以基于目标数据得到目标文件；响应于第四命令，生成独占锁；在确定当前存在正在运行的文件时，锁定其他文件，以对正在运行的文件进行处理；在确定正在运行文件处理结束时，释放独占锁，以基于目标文件对原始测序数据进行处理，得到目标基因组。本发明解决了相关技术中对基因组组装时，由于受到计算机集群带宽和硬盘的速度限制，使得组装效率比较低的技术问题。

技术领域

本发明涉及基因测序技术领域，具体而言，涉及一种基因组的组装方法及装置、计算机可读存储介质、处理器。

背景技术

Pb-assembly是针对三代pacbio数据开发的组装软件，之前的版本名称为falcon。软件的输入文件为原始的pacbio下机数据，输出文件为fasta格式的基因组文件。Pb-assembly的原理为先对原始下机的pacbio数据进行自纠错，得到纠错后的一致性序列(consensus序列)，然后将consensus序列根据Overlap-Layout-Consensus算法(olc算法)进行基因组装，得到组装后的基因组文件。

Pacbio数据进行自纠错时，会将原始数据存储为Dazzler数据库(Dazzler DB),Dazzler数据库有5个文件，raw_reads.db文件存储为原始数据输入文件和对原始数据进行切分的信息；.raw_reads.idx文件为二进制文件，存储为原始数据索引文件；.raw_reads.bps文件为二进制文件，存储为压缩后dna测序序列；.raw_reads.dust.anno存储为低复杂间隔reads中每条reads间隔的注释文件；.raw_reads.dust.data存储为低复杂间隔reads信息。因为纠错(cns)步骤在集群上有几百或者几千个任务同时并行运行，每个任务都会访问此5个文件，集群的计算节点也有几十台计算机，如果将数据同步到内存，每个任务投递的计算机节点不固定，每个任务同步一次数据库会导致cns多个任务之间互相影响，导致任务不能运行完整，因此软件使用的策略是将上述5个文件存储在硬盘上，多个任务访问同一个路径下的5个数据库文件，避免cns步骤的混乱。Pb-assembly在三代数据自纠错过程中，会从硬盘读取这5个文件进行consensus步骤，基因组越大，三代测序数据量也越大，Dazzler数据库占用的存储也越多，对于大于4G的基因组，集群和硬盘读取Dazzler数据库的过程会因集群和硬盘的带宽限制，速度特别慢，对于大于4G的基因组，整个pb-assembly的流程耗时在1个月左右。

针对上述相关技术中对基因组组装时，由于受到计算机集群带宽和硬盘的速度限制，使得组装效率比较低的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基因组的组装方法及装置、计算机可读存储介质、处理器，以至少解决相关技术中对基因组组装时，由于受到计算机集群带宽和硬盘的速度限制，使得组装效率比较低的技术问题。

根据本发明实施例的一个方面，提供了一种基因组的组装方法，包括：响应于第一命令，以利用原始测序数据生成预定数据库，其中，所述预定数据库包括多个文件；响应于第二命令，基于所述多个文件生成多个区块；响应于第三命令，获取所述多个区块内的目标数据，以基于所述目标数据得到目标文件；响应于第四命令，生成独占锁，其中，所述独占锁用于锁定除当前正在运行的文件外的其他文件；在确定当前存在所述正在运行的文件时，锁定所述其他文件，以对所述正在运行的文件进行处理；在确定所述正在运行文件处理结束时，释放所述独占锁，以基于所述目标文件对所述原始测序数据进行处理，得到目标基因组。