1、系統(tǒng)發(fā)生足跡技術(shù)在巴西固氮螺菌基因組特征搜尋上的應(yīng)用摘要巴西固氮螺菌是重要的植物促生內(nèi)生菌之一。為了研究其未知基因，在巴西固氮螺菌和與其同源的五個菌種之間進展系統(tǒng)發(fā)生足跡研究。由于單機任務(wù)執(zhí)行的串行性，效率較低。研究發(fā)現(xiàn)，整個過程包含了大量重復的、沒有數(shù)據(jù)依賴的操作，如文本信息的提取，DNA序列的比擬等。因此，提出了局域網(wǎng)環(huán)境下基于客戶機/效勞器形式的多機并行實現(xiàn)的思路。在充分利用資源的同時，顯著進步了效率。關(guān)鍵詞巴西固氮螺菌；同源；系統(tǒng)發(fā)生足跡；客戶/效勞器形式；并行1.1巴西固氮螺菌巴西固氮螺菌(Azspirillubrasilene)是重要的植物促生內(nèi)生菌之一，其質(zhì)體上的不同基因分別控制

2、著其各種不同的特性。對巴西固氮螺菌的深化研究對我國農(nóng)業(yè)的開展有著深遠的影響。在巴西固氮螺菌的sp7菌株里，發(fā)現(xiàn)了兩個質(zhì)體，分子量分別為115Da(p115)和90Da(p90)。實驗說明：p115質(zhì)體會自發(fā)地從細菌細胞中消失，并且與原生型sp7比擬，由p115的衍生物來代替p115沒有造成任何表現(xiàn)型如細菌的運動性、化學向性等的差異，而對p90的替代卻使得細菌不能正常生存。由此得出結(jié)論：細胞存活必須的基因信息在p90質(zhì)體上。11.2系統(tǒng)發(fā)生足跡技術(shù)P90的基因序列已經(jīng)被微生物與植物遺傳中心(KULeuven,Belgiu)破譯，并且局部基因的位置和功能已經(jīng)確認，如exB和ex控制著外聚多糖的合成

3、。然而還有一些基因如ndP和ndQ，它們的功能還有待確定。本文應(yīng)用系統(tǒng)發(fā)生足跡技術(shù)對p90進展研究。系統(tǒng)發(fā)生足跡是用來識別DNA序列中的調(diào)控因子(tif)的方法，它通過在多個同源基因的調(diào)控序列基因間序列中尋找保守區(qū)域來確定調(diào)控因子。系統(tǒng)發(fā)生足跡技術(shù)認為：由于環(huán)境選擇的壓力，基因上的功能因子比那些非功能序列進化的速率慢。因此，對于同源物種而言，那些保守區(qū)域?qū)⒊蔀楣δ?調(diào)控因子的主要侯選者。21.3局域網(wǎng)多機并行實現(xiàn)隨著網(wǎng)絡(luò)技術(shù)的開展，多機并行技術(shù)應(yīng)用日益廣泛。并行是指多臺計算機同時運行，與單機串行運行相比，并行可以顯著的進步執(zhí)行速度。本系統(tǒng)構(gòu)建客戶/效勞器形式的局域網(wǎng)，即一臺效勞器，多臺客戶機。

4、效勞器安裝應(yīng)用程序和存儲必要的數(shù)據(jù)供客戶機使用，同時協(xié)調(diào)客戶機之間的同步運行。客戶機從效勞器上下載文件并在效勞器的支配下并行執(zhí)行任務(wù)。2.1系統(tǒng)任務(wù)提出及方案論證由于系統(tǒng)發(fā)生足跡是在同源基因的基因間序列中尋找調(diào)控因子，因此，首要的任務(wù)是尋找與p90同源的基因間序列。本系統(tǒng)中使用新月柄桿菌，根瘤菌,深紅紅螺菌,球形紅桿菌和淡水菌五種細菌作為與巴西固氮螺菌p90基因比擬的對象。由于都屬于a-蛋白菌，可以在它們的基因中尋找同源基因，進而找到這些同源基因的基因間序列。針對上述任務(wù)，本系統(tǒng)發(fā)生足跡研究共分為4大模塊：2.1.1基因信息入庫由于存儲在NBI的基因信息是以文本文件的形式存放，為了便于計算機處

5、理，需要將文本中的各項信息提取出來存入數(shù)據(jù)庫表中。并行性分析：基因信息入庫是文本信息提取操作，信息量大，需要大量單一、重復的操作，必須借助計算機程序來高速、準確的完成。由于每次提取操作只針對一個文本文件，因此文本文件的信息提取操作之間沒有任何數(shù)據(jù)依賴關(guān)系，可以將這些文件按照數(shù)量均分給多臺計算機并行執(zhí)行以進步信息的提取速率。2.1.2蛋白質(zhì)比擬一般來說，假如兩個蛋白質(zhì)的序列相似，那么其功能也相近?；蜷g序列對基因編碼起著重要的調(diào)節(jié)作用。假如兩個基因間序列調(diào)控的基因編碼的蛋白質(zhì)序列相似，即蛋白質(zhì)的功能相近，那么說明這兩個編碼基因序列有可能是同源關(guān)系，那么就可以將它們相應(yīng)的基因間序列提取出來進展系統(tǒng)

6、發(fā)生足跡研究。因此需要尋找基因編碼的蛋白質(zhì)序列，由于蛋白質(zhì)序列在NBI是以fasta文件形式存儲，需要將文件中的信息進展提取并存到數(shù)據(jù)庫表中。對所有的蛋白質(zhì)序列進展BLAST比擬，尋找序列的相似性，結(jié)果如圖1：圖1.BLAST比擬結(jié)果為了排除偶爾因素造成的序列間的相似性，用期望值E來衡量結(jié)果的顯著性。E值越小，結(jié)果越顯著。并行性分析：fasta文本信息的提取與基因信息提取相似，可以并行實現(xiàn)；而序列間的BLAST比擬只需要參與比擬的蛋白質(zhì)序列信息，并不依賴與別的蛋白質(zhì)。因此，在保證所有的蛋白質(zhì)之間都能比擬的前提下，可以把序列分組，由客戶機并行執(zhí)行。2.1.3基因序列分組根據(jù)BLAST計算出的相似

7、度，用TribeL對蛋白質(zhì)進展分組，序列相似的蛋白質(zhì)將被歸為一組。為了利用序列相似的傳遞性，將各蛋白質(zhì)之間的相似關(guān)系用圖來表示，蛋白質(zhì)作為結(jié)點，而邊用來代表蛋白質(zhì)之間的相似度，并且用-lg(E)作為相似度的權(quán)值。將圖進一步轉(zhuǎn)換為馬爾可夫矩陣，矩陣中的元素代表蛋白質(zhì)序列間的轉(zhuǎn)換概率。通過矩陣自乘進一步尋找蛋白質(zhì)之間的親緣關(guān)系，防止將關(guān)系較遠的蛋白質(zhì)遺漏3。得到蛋白質(zhì)的分組后，將蛋白質(zhì)轉(zhuǎn)換成其相應(yīng)的編碼基因，進而得到基因分組，由于只需要與p90相關(guān)的基因組，再將包含p90基因的分組挑選出來存入數(shù)據(jù)庫中，結(jié)果如表1：表1:基因分組并行性分析：蛋白質(zhì)分組需要將所有的蛋白質(zhì)相似度信息進展比擬，因此本模塊

8、不能并行執(zhí)行，必須由一臺計算機獨立完成。2.1.4尋找tif系統(tǒng)發(fā)生足跡是在與p90相關(guān)的基因間序列中尋找tif，得到了基因分組后，根據(jù)基因名稱將調(diào)控其編碼的基因間序列提取出來。以同組的基因間序列作為輸入，使用tifSapler軟件來尋找侯選tif,該軟件采用Gibbs采樣算法，Gibbs通過隨機采樣不斷更新tif模型和在各條序列中的出現(xiàn)位置以優(yōu)化目的函數(shù)，當滿足一定的迭代終止條件時就得到了最終的候選tif。4并行性分析：同BLAST相似，tif的尋找不存在數(shù)據(jù)依賴，可以并行執(zhí)行。2.2系統(tǒng)設(shè)計本系統(tǒng)的四大模塊之間必須是串行執(zhí)行，即只有前一模塊執(zhí)行完后，后一模塊才可以執(zhí)行。系統(tǒng)模塊之間的執(zhí)行順

9、序如圖2所示：圖2：系統(tǒng)模塊執(zhí)行順序圖由于除了基因序列分組，其余三個模塊都可以并行執(zhí)行，為了進步系統(tǒng)的數(shù)據(jù)處理效率，本文提出在局域網(wǎng)環(huán)境下多機并行處理生物信息的思路，采取客戶/效勞器形式。網(wǎng)絡(luò)連接如圖3:圖3:網(wǎng)絡(luò)連接圖2.2.1效勞器設(shè)計效勞器主要有四大功能：_x0001_務(wù)分配：為了讓網(wǎng)絡(luò)中的客戶機并行執(zhí)行模塊中的任務(wù)，效勞器需要將任務(wù)按文件或序列的數(shù)量分解成大小均等的子塊，分配給各客戶機完成。_x0001_數(shù)據(jù)庫共享：在效勞器上設(shè)置一級數(shù)據(jù)庫，存儲所有的關(guān)于基因和蛋白質(zhì)的信息，供各客戶機下載所需數(shù)據(jù)并上傳處理結(jié)果。_x0001_同步控制：由于模塊間的串行性，在多機并行處理數(shù)據(jù)時，必須保證

10、各客戶機之間的同步。效勞器將任務(wù)分配給客戶機時，需發(fā)送一個啟動信號通知客戶機開場執(zhí)行任務(wù)。而當客戶機完成當前任務(wù)時，需發(fā)送一個完畢信號通知效勞器任務(wù)完成，準備接收下一任務(wù)。只有當效勞器接收到所有客戶機發(fā)來的完畢信號時，才開場下一任務(wù)的分配。_x0001_基因序列分組基因序列分組不能并行執(zhí)行，在本系統(tǒng)中由效勞器單獨完成。效勞器操作系統(tǒng)配置inds2000Server,數(shù)據(jù)庫系統(tǒng)為SQLServer2000.2.2.2客戶機設(shè)計各客戶機在效勞器的支配下并行完成基因信息入庫、蛋白質(zhì)比擬和尋找tif的任務(wù)?？蛻魴C上配有二級數(shù)據(jù)庫，當接收到效勞器分配的任務(wù)時，從主數(shù)據(jù)庫中下載所需數(shù)據(jù)并存儲在本機數(shù)據(jù)庫中

11、，防止了屢次訪問一級數(shù)據(jù)庫造成的時間延遲。當完成當前任務(wù)時，需要將數(shù)據(jù)處理結(jié)果提交到效勞器，并發(fā)送完畢信號等待下一任務(wù)的分配?？蛻魴C操作系統(tǒng)配置inds98,數(shù)據(jù)庫配置SQLServer2000。本系統(tǒng)將工作空間進展了劃分，每個子空間可以獨立計算，并且對各子空間的計算都是一樣的，即除了基因分組模塊以外，可以實現(xiàn)徹底的計算并行性。通過使用不同數(shù)目的客戶機，得到不同的處理時間和加速比方表2：表2：并行處理時間及加速比客戶機臺數(shù)所需時間t(小時)加速比126.51214.61.8147.483.5484.396.03通過數(shù)據(jù)比照可以看出，由于并行運行的數(shù)據(jù)傳輸及同步等待等的開銷，加速比與客戶機數(shù)目并

12、不成正比。影響加速比的因素分析：1效勞器與客戶機之間的通信發(fā)送啟動和完畢信號延遲時間d，由于在局域網(wǎng)內(nèi)部的數(shù)據(jù)傳輸間隔 短，速度快，d1inute,d/t1，所以對加速比的影響可以忽略不計。2各客戶機之間的同步等待時間，由于效勞器在分配任務(wù)時只是根據(jù)文件或序列的數(shù)量，并不考慮其實際大小，所以可能造成任務(wù)分配的不均勻，進而使得各客戶機之間的任務(wù)完成時間差異較大，而效勞器必須等待所有子任務(wù)都完成才能開場下一任務(wù)的分配，客戶機數(shù)量增加，也隨著增加。因此是影響加速比的重要因子。3客戶機從效勞器下載數(shù)據(jù)及向效勞器上傳運行結(jié)果的時間延遲u，由于各任務(wù)運行需要的數(shù)據(jù)量較大，所以u也是影響加速比的比擬重要的因

13、子。分析說明：各客戶機之間的同步等待及數(shù)據(jù)傳輸成為影響速度進步的主要因素，需要在效勞器任務(wù)分配算法中加上文件大小因子以平衡各客戶機之間的任務(wù)負載，進而降低同步開銷；通過在客戶機上存儲主數(shù)據(jù)庫中的所有數(shù)據(jù)，降低數(shù)據(jù)傳輸開銷，進一步進步加速比。1Steenhudt,VanderleydenJ.Azspirillu,afree-livingnitrgen-fixingbateriulselyassiatedithgrasses:geneti,biheialandelgialaspets.JFESirbilRev.2000;24(4):487-506.2ZhangY,BurrisRH,LuddenP,RbertsGP,RegulatinfnitrgenfixatininAzspirillubrasilense.JFESirbilLett.1997Jul15;152(2):195-2043EnrightAJ,VanDngenS,uzunisA.Aneffiientalgrithfrlarge-saledetetinfprtEin