1、蛋白质序列二级结构的搜索,管理资源吧(),提供海量管理资料免费下载!,Abstract,生命科学家使用的生物数据集的查询工具效率低下在基于二级结构的大型数据集上搜索的问题定义了直观的二级结构的查询语言评估查询的算法在Periscope、ORDBMS上实现算法框架:优化查询、评估各种查询估计计划的开销高效、交互式的二级结构查询(大型蛋白质数据集),1.Introduction,人类基因组工程:从蛋白质和DNA序列中得出有意义的生物信息、知识(bioinformatics)。确定基因的位置和功能,观察蛋白质之间的反应,蛋白质保持时蛋白质的功能结构。提出问题:与大型生物数据集的分析密切相关存储和查询
2、大型基因、蛋白质数据库,1.1生物背景知识,蛋白质的结构组织:四层主结构:氨基酸的线性序列,蛋白质识别二级结构:氨基酸的线性序列折叠成三维结构:-螺旋(helix), -片(sheet),翻转(loop)三维结构决定蛋白质的功能模式和排列:变革性的关系二级结构折叠的类型、长度、开始位置:功能,1.2科学动力,发现新的蛋白质、新的功能:确定蛋白质的功能和类型已有方法搜索已知的蛋白质数据库,和未知的蛋白质相匹配分析相似蛋白质的功能和分类,得出共同点简单基础:定义了蛋白质相似性蛋白质结构和搜索目标的不同,相似性的定义不同:匹配主结构;匹配二级结构(预测生物分子反应);同样的级别上也有不同:一部分;整
3、个序列Flexible;efficientBLAST服务器负载重;查询估计算法的效率交互式的结果:验证、否定一些假设高效的查询估计技术,1.3内容,定义了简单、直观的查询语言:基于分区的二级结构查询识别不同的算法,有效地估计查询。由于查询和分区选择,算法选择对查询的执行有突出的影响查询优化框架:基于查询和数据特征选择最优查询计划直方图:精确、空间小在Periscope、ORDBMS上实现:现实数据集、检验算法高效,2.蛋白质格式(format),依赖于预测工具大部分已知蛋白质的二级结构都是预测度量准确率:60%70%Predator:单氨基酸序列的残余氢的识别65%;本机运行蛋白质名,氨基酸长
4、度,主结构,预测的二级结构,3.查询语言和例子,3类原子查询3类二级结构(h、e、l);成组出现;按类型和长度表示二级结构序列查询:分区谓词序列,4.查询估计技术,Complex Scan of Protein Table(CSP)普通分区技术Simple Scan of Segment Table(SSS)扫描整个分区,利用INLJ得到蛋白质,FSMIndex Scan of Segment Table(ISS)扫描索引,INLJMultiple Index Scans of Segment Table(MISS n)ISS的概化,扫描B树索引N次,2n=k的所有分区k=100:足够小;足够
5、大248,375蛋白质、10,288,769分区,13建立直方图,query 优化器1ms/谓词,99%的分区占1.2KB空间,5.2 复杂直方图,整个query结果的选择,而不是给定的query谓词:寻找同一个字符串里多属性以某个次序出现的概率。单个属性、多个无序属性4维矩阵Protein idStart position长度类型3472代表第3个bucket的蛋白质的第4个bucket 的开始位置,5.2.2结果基数估计,假设:segment在 protein id和 start position上均匀分布简单起见,对应于同一个protein id结果基数=每种情况匹配数的估计结果选择=结
6、果基数/总的蛋白质数Case 1-3:结果选择=第一个桶匹配数/桶内蛋白质数*第二个桶的匹配数/桶内蛋白质数Case 4-6:Np1=1/50*(number of p1)Np2 =40/50*(number of p2)设每个桶有100个protein id结果选择=np1*np2/100,5.2.3直方图分析,复杂直方图的精确度与蛋白质的实际数量相比较,80%计算时间谓词的数目和桶的开始位置谓词增加,时间大幅度上升谓词增加,准确度并没有明显增加,只需要2、3个选择谓词22,5.8M空间,5.3 Cost formula,I/O时间、CPU资源开销建模Basic blocksindex 扫描
7、、table retrieve、FSM匹配优化器工作方式利用简单直方图确定所有谓词的分区选择利用复杂直方图确定结果选择将结果、index、table信息输入cost formula优化器评估cost formula返回合适的plan ,做query,6.实验结果,ORDBMS,Periscope分区和结果选择对算法的影响运行优化器Periscope,Wisconsin大学的SHORE存储管理器Periscope ORDBMSWindowsLinux Windows850MHZ,PIII,W2000 professional,128M,10GBLinux2.4.13,896MB,1.7GHZ,40GB16KB页面,缓冲池64MB运行五次,取中间三次的执行时间,7.未来的工作,某些排序条件的算法 设计一个框架,排序矩阵易于定制,考虑位置概率Query by example interface(BLAST)结合主结构和二级结构,