[发明专利]一种基于压缩和聚类的批量蛋白质同源性搜索方法

摘要

本发明公开了一种基于压缩和聚类的批量蛋白质同源性搜索方法，属于计算机应用技术与生物技术的交叉领域。该方法充分利用了蛋白质数据库序列和查询序列中存在的序列相似信息，首先对查询序列和蛋白质数据库通过冗余分析和冗余移除过程进行压缩操作；进而对压缩后的蛋白质数据库进行相似子序列聚类，然后在聚类数据库基础上利用映射原理进行查找以发现潜在的结果，并根据找到的潜在结果集建立可执行数据库；最后在可执行数据库上进行同源性搜索，以获得最终的同源性序列。本发明的方法通过在构建的可执行数据库上进行同源性搜索，大大减少了重复序列比对和无间隙扩展的时间。

主权项

一种基于压缩和聚类的批量蛋白质同源性搜索方法，其特征在于，该方法包括如下步骤：（1）离线状态下，创建压缩蛋白质数据库1）从左向右扫描一条蛋白质序列，创建一个key‑entry映射集映射集的每个key‑entry映射中，key是由4‑6个氨基酸组成的蛋白质序列片段，entry包括三个属性：序列号、起始氨基酸位置、指向下一条序列的指针；2）从左到右扫描一条新的蛋白质序列，该新的蛋白质序列片段同样由4‑6个氨基酸组成；应用Needleman‑Wunsch算法，对每个新的蛋白质序列片段和上述创建的key进行相似性比较；如果发现新的蛋白质序列片段和上述的key相似性超过80%时，则删除新的蛋白质序列片段，并把不同之处记录在脚本中；否则就用新的蛋白质序列片段，创建另外一个key并建立相应的entry；3）创建一个压缩蛋白质数据库，包含了所有key‑entry映射和脚本信息；创建一个压缩查询序列集，包含了所有key‑entry映射和脚本信息； （2）离线状态下，创建上述压缩蛋白质数据库的聚类数据库1）创建一个key‑entry映射C，首先确定其key的长度，使用BLOSUM62矩阵产生10个缩减的氨基酸组(A, {K, R}, {E, D, N, Q}, C, G, H, {I, L, V, M}, {F, Y, W}, P, {S,T})，并且选取矩阵的最高得分来代表相应氨基酸组的罚分，依据罚分限定key是由6‑9个氨基酸组成的一个新的蛋白质序列片段；key‑entry映射C中的entry是由序列号、起始氨基酸位置、指向下一条序列的指针三个属性组成；从左向右扫描压缩蛋白质数据库中的蛋白质序列，其每个新片段创建一个key并建立相应的entry；2）创建seed‑entry映射1，首先确定seed的长度，seed根据key‑entry映射C中key的起始位置分别向左右扩展5个氨基酸，其长度为10；由汉明距离计算同一个key产生的不同seed的相似性，相似性超过90%的seed被聚在一个簇中，每一个簇选择一个代表seed，其他都为成员seed；seed‑entry映射1中的seed为代表seed；seed‑entry映射1中的entry是由簇ID和代表seed的位置两个属性组成；3）创建seed‑entry映射2，其seed为上述簇中其它所有的成员seed，各成员seed都与代表seed链接，seed‑entry映射2中的entry是由簇ID和成员seed的位置组成；（3）构建可执行数据库并进行蛋白质同源性批量搜索1）根据上述的压缩查询序列集，创建一个与上述的seed‑entry映射1同样结构的seed‑entry映射3，将seed‑entry映射1中key的起始位置替换为压缩查询序列集key‑entry映射中key的起始位置，其余方式与创建seed‑entry映射1相同；2）获得Hits，首先将seed‑entry映射3和上述的seed‑entry映射1进行比较，如果相同，两个映射中的seed将会根据其映射结构里的entry还原成原始序列片段；进而计算seed‑entry映射3和seed‑entry映射1还原成原始序列片段之间的相似性；如果相似性超过80%，则由seed‑entry映射1还原成的原始序列片段进行无间隙扩展，再进行有间隙扩展，得到Hits1；随之根据seed‑entry映射2结构里的entry将其seed还原成原始序列片段；计算seed‑entry映射3和seed‑entry映射2还原成原始序列片段之间的相似性；如果相似性超过80%，则由seed‑entry映射2还原成的原始序列片段进行无间隙扩展，再进行有间隙扩展，得到Hits2；Hits由上述Hits1和Hits2组成；根据压缩阶段建立的脚本文件对Hits进行解压操作，Hits解压之后的序列集与压缩查询序列集同源性较为接近，利用Hits解压之后的序列集重建一个适合BLAST算法的可执行数据库；3）利用BLAST+工具对上述可执行数据库进行同源性搜索。