[发明专利]一种对多序列BWT索引构建进行并行加速的方法

摘要

本发明公开了一种多序列BWT索引构建的并行加速方法，目的是解决现有大规模序列集合BWT索引构建中对序列集合进行分块排序，然后通过两两合并再排序的方式不断递归合并排序的过程，造成BWT索引构建速度较慢，效率低下的问题。采用的技术方案是首先遍历序列集合R中各序列的所有后缀，检查各后缀的前l个字符,把具有相同前l个字符的后缀划分到同一个内存分块；之后并行地在各个分块内部独立地对该分块所包含的后缀进行排序；然后将各排好序的分块拼接起来，得到序列集合R中所有后缀的次序；最后按字典序从小到大的顺序依次取各后缀的BWT字符连接起来得到序列集合R的BWT索引。有益效果是有效提高多序列BWT索引的构建过程，减少全基因组组装所需时间约90％。

主权项

一种对多序列BWT索引构建进行并行加速方法，其特征在于包括以下步骤：步骤1:根据序列规模和处理器内存大小确定对后缀分块时所用分隔字符串的长度l；令Σ＝{c₁,c₂,...,c_σ}为一个有限的字母表，满足c₁<c₂<…<c_σ，其中‘<’表示字典序，σ表示字母表Σ中的字符个数；令S＝s₁s₂…s_i…s_k‑1s_k为一个有限的字符串，其中s_k＝'$'，'$'为字符串结束标志，s_i∈Σ，1≤i<k；S[i,j]＝s_is_i+1...s_j表示S的从第i个字符到第j个字符构成的子串，其中1≤i≤j≤k；形如S[j,k]的子串称作S的后缀，其中1≤j≤k；称s[j‑1]为后缀S[j,k]的BWT字符，其中1<j≤k；令后缀S[1,k]的BWT字符为'$'；令R＝{S₁,S₂,...,S_m}表示字母表Σ上的m条字符串，S_i的长度为k且S_i[k]＝'$'；对于处理器内存大小为M字节的情形，l＝[(log_σ(mk²/(2M)))]；步骤2:构建含有σ^l个处理器的机群系统，依次编号为步骤3:在机群系统主存中开辟σ^l个动态桶，初始大小为mk²/(4σ^l)字节，标号依次为1到σ^l，桶为内存分块；步骤4:对序列集合R中包含的m*k条后缀进行分区，步骤4.1：置i＝1；步骤4.2：对第i条序列的后缀进行分区，步骤4.2.1：置j＝1；步骤4.2.2：检查第i条序列的后缀S_i[j,k]的前l个字符S_i[j,j+l‑1]，对于长度不足l的后缀，在其末尾添加字符c₁直至达到l长度，c₁∈Σ；若S_i[j,j+l‑1]＝c_i1c_i2…c_il，则将后缀S_i[j,k]放入编号为h的桶中，其中h＝(i₁‑1)*σ^l‑1+(i₂‑1)*σ^l‑2+···+(i_l‑1)*σ^l‑l+1，i₁,i₂,…,i_l分别是S_i[j,j+l‑1]中包含的l个字符在字母表Σ＝{c₁,c₂,...,c_σ}中的顺序号，若桶中内存空间不足以存放新的后缀，则将其内存空间扩展mk²/(16σ^l)字节；步骤4.2.3：置j＝j+1；步骤4.2.4：若j≤k，则转步骤4.2.2，否则转步骤4.3；步骤4.3：置i＝i+1；步骤4.4：若i≤m，则转步骤4.2，否则转步骤5；步骤5:在σ^l个处理器上并行地对σ^l个桶内的后缀分别进行字典序排序，处理器p_t对编号为t的桶内的后缀进行排序,1≤t≤σ^l；步骤6:按照编号从1到σ^l的顺序将各个桶内已排好序的后缀拼接起来，得到R中所有后缀的次序(字典序)，序列集合R中包含m条序列，每条序列有k个后缀，序列集合R中一共包含m*k条后缀，设这些后缀的字典序为Suffix₁<Suffix₂<…<Suffix_m*k；步骤7:依次取Suffix₁,Suffix₂,…,Suffix_m*k的BWT字符,连接起来得到R的BWT索引；步骤8:将BWT索引输出。