面向压缩生物基因数据的高效的查询方法

来源：软件学报杂志2016年第7期北京时间：

作者：王佳英,王斌,杨晓春

单位：王佳英，东北大学 计算机科学与工程学院, 辽宁 沈阳 11081911,王斌，东北大学 计算机科学与工程学院, 辽宁 沈阳 11081902,杨晓春，东北大学 计算机科学与工程学院, 辽宁 沈阳 11081903

摘要：随着下一代、第三代等测序技术的快速发展,DNA等生物序列数据快速增长.如何高效地处理这些大数据是目前所面临的一个挑战.研究发现,这些生物序列数据尽管很大,但是不同数据之间具有很高的相似性.因此可以通过保存这些基因串同一个基准序列之间的差异来减少存储的代价.最新的研究发现,可以在这些压缩的数据上直接进行查询,而不需要解压缩.研究的目标是进一步提高索引和查询的可伸缩性,从而满足日益增长的大数据需要.首先在现有方法的基础上,对基准序列进行了压缩存储.基于该压缩数据,提出了一系列优化查询方法以高效地支持任意长度序列的精确和近似查询.在此基础上,进一步对原有方法进行改进,利用并行计算来提高对大数据的查询效率.最后,实验研究展示了所提方法的高效性.

关键词：基因数据;大数据;可伸缩性;数据压缩;并行计算

基金资助：国家自然科学基金优秀青年基金(61322208);国家重点基础研究发展计划(973)(2012CB316201);国家自然科学基金(61272178,61572122,61532021)