基于高通量测序数据的微生物检测算法研究进展

新一代高通量测序技术的发展,推动了多个相关研究领域的发展。国际上许多研究机构正在研究利用高通量测序数据进行微生物检测的算法,目前已有一些基于高通量测序数据的微生物检测算法流程设计成功并公开发布。该文通过调研利用高通量测序数据进行微生物检测的相关文献,研究已发布的基于高通量测序数据的微生物检测算法的功能和实现流程,分析几个有代表性算法的优点和不足。最后,对这些检测算法的设计思路进行总结和分类,提出基于高通量测序数据的微生物检测算法的改进设想。     

基于CUDA的BLASTN加速研究

目的利用图形处理器（graphicprocessingunit,GPU）计算技术对广泛使用的生物信息学序列比对工具BLASTN加速,服务于新一代测序技术条件下海量生物序列数据分析任务。方法采用计算统一设备架构（corn—puteunifieddevicearchitecture,CUDA）并行计算架构,从GPU多线程并行和多GPU并行两个维度,对核酸序列比对工具BLASTN的种子查找阶段和不允许空位延伸阶段进行并行加速。结果基于CUDA的CUDA—BLASTN取得了显著的加速效果,与FSA．BLAST相比,采用单个NvidiaTeslaC2075显卡在以上两阶段取得了最高达26．8倍的加速比,而且结果准确度没有降低。CUDA—BLASTN特别适合于中长查询序列对长序列数据库的比对任务。结论利用GPU计算可在较大程度上加速序列比对过程,性价比较高,具有很好的应用前景。     

构建NCBI镜像FTP数据库及其应用

目的建立一个FTP服务器为院内生物医学研究人员提供快速下载NCBI常用生物数据库的FTP服务。方法采用Linux系统和perl、shell程序设计,构建FTP服务系统。结果与结论系统实现了数据下载、更新、系统管理等功能,并进行了测试,目前系统已经上线服务。     

利用Galaxy与高性能计算集群构建本地化一站式生物信息学平台

目的构建本地化的高性能一站式数据分析平台,为生物医学研究的相关科研人员提供便捷高效的计算分析服务。方法将Galaxy软件部署在计算集群上,集成工具软件和数据集;利用分布式资源管理应用接口（DRMAA）实现与SunGridEngine的协同运作,自动调度和分配计算资源;并在集群上构建稳定的weh服务、FrP服务和管理数据库。结果该平台已投入试运行并在不断完善,峰值计算能力达到每秒lO万亿次,存储容量为40TB,提供序列比对、短串映射、基因注释、转录组分析、宏基因组分析及进化分析等多种功能,以及容量约为700GB的人类基因组、病毒、细菌、真菌等参考数据库。结论该平台具备大规模数据分析的能力,能够解决高通量测序所带来的海量生物数据的存储与处理等问题。与在普通服务器上进行数据分析相比,该平台的计算集群能极大地加快数据处理过程,提高研究效率。     

利用SFU开发Windows和Linux异构环境下的分布式生物信息学应用

Microsoft SFU是一个Windows环境下的高性能UNIX子系统和互操作工具，它允许Windows和UNIX计算机共享数据、安全策略和应用程序。本文通过实例，介绍如何利用SFU将Linux下的Blat软件在Windows系统中重新编译运行，并与Linux计算机共享生物序列数据库，构建异构网络环境下的分布式生物信息学应用。实践证明该技术可集成Windows和Linux的计算能力，提高计算资源的使用效率。     

新型冠状病毒肺炎领域本体构建及应用

目的 构建一个开放、全面、语义表达良好的新型冠状病毒肺炎(COVID?19)领域本体,用于支持COVID?19相关知识的共享和有效利用.方法 在生物医学顶层本体基本形式化本体(BFO)框架下,使用斯坦福大学七步法,利用Protégé和Ontofox工具,通过抽取国内外现有本体、知识库和诊疗指南中的COVID?19相关知...     

局部序列比对算法及其并行加速研究进展

随着新一代测序技术的发展,传统的序列比对工具已无法满足测序产生的海量生物学数据分析处理的需求,研究如何利用最新的计算技术加速序列比对过程具有十分重要的意义。本文回顾了常用的局部序列比对算法,介绍了基于并行计算原理的序列比对算法的加速优化策略和主要进展,详细说明了如何利用最新的图形处理器（GPU）计算技术实现高性能的BLAST（basic local alignment search tool）比对算法。最后,结合实际需求,提出和讨论了综合利用云计算和GPU计算实现高性能、高能效的序列比对平台的研究思路。     

大规模EST序列聚类的并行算法研究进展

EST是携带有表达基因部分遗传信息的cDNA片段，EST聚类是将来自同一个基因的具有重叠部分的EST整合到单一的类中，是进行后续基因表达数据分析的必要步骤。传统的串行聚类方法的计算复杂度高，对内存要求大，不适于进行大规模聚类计算。本文主要介绍了EST聚类的并行处理方式、软硬件支持环境，适用于大规模EST聚类的并行算法和软件，比较了几种现有软件的算法、计算速度和内存要求等，并讨论了现有大规模聚类算法的优缺点。