[发明专利]一种DNA数据集植入模体搜索方法及其装置与存储介质

说明书

本发明涉及一种DNA数据集植入模体搜索方法及其装置与存储介质，其方法包括：获取DNA序列大数据集、获取所述DNA序列大数据集的植入模体搜索参数；根据所述DNA序列大数据集、所述植入模体搜索参数得到第一k‑mer集，根据所述第一k‑mer集得到第一l‑mer集，根据所述第一l‑mer集得到第二l‑mer集；根据第一得分模型从所述第二l‑mer集确定所述植入模体。本发明通过APMS方法，不仅能够从DNA序列大数据集中搜索出植入模体，同时在找出植入模体的运行时间数量级地快速于其它植入模体搜索方法。

技术领域

本发明属于DNA序列大数据处理领域，具体涉及一种DNA数据集植入模体搜索方法及其装置与存储介质。

背景技术

DNA是遗传信息的载体，遗传信息存储在DNA四种字符组成的序列中，生物体的生长发育本质就是遗传信息的传递和表达。作为遗传信息表达的第一步，转录是调控机制的中心。转录因子结合在DNA序列中的特定位点(长度约为5～20个碱基对)，启动基因的转录和控制基因的转录效率。这些位点称为转录因子结合位点(Transcription FactorBinding Sites,简称TFBS)，定位TFBS对研究基因的转录调控有着重要意义。

Quorum植入模体搜索(Quorum Protein Motifs Sequences，简称qPMS)是用于在DNA序列中定位TFBS的著名计算模型之一。常见的qPMS方法包括样本模式驱动的精确方法和后缀树的精确方法，其中，基于样本模式驱动的精确方法，例如PMSprune、StemFinder、qPMS7、TravStrR、PMS8和qPMS9，包含样本驱动和模式驱动两个阶段，样本驱动阶段是用选取一些参考DNA序列作为约束来生成尽可能少的候选模体，模式驱动阶段是对候选模体进行验证；基于后缀树的精确方法，例如Weeder,RISOTTO和FMotif，建立输入序列的后缀树索引来加速候选模体的验证。近似qPMS方法的目标是在较短的时间内找出最优或接近最优的模体，最典型的近似qPMS方法包括期望最大化、Gibbs采样和遗传方法等，对初始模体进行求精，在这些方法中，基于期望最大化的方法MEME-ChIP是最有名的模体发现方法之一。为了高效处理大数据集，又提出了一些基于新策略的模体发现方法，比如PairMotifChIP方法，PairMotifChIP方法是从输入的DNA序列中挖掘和合并相似的子串对来得出模体。

然而，qPMS方法和近似qPMS方法、PairMotifChIP方法存在共同的问题：计算问题，导致运行时间太长，在处理DNA序列大数据集时存在着瓶颈。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种DNA数据集植入模体搜索方法及其装置与存储介质。

本发明实施例提供了一种DNA数据集植入模体搜索方法，该方法包括：

获取DNA序列大数据集、获取所述DNA序列大数据集的植入模体搜索参数；

根据所述DNA序列大数据集、所述植入模体搜索参数得到第一k-mer集，根据所述第一k-mer集得到第一l-mer集，根据所述第一l-mer集得到第二l-mer集；

根据第一得分模型从所述第二l-mer集确定所述植入模体。

在本发明的一个实施例中，根据所述DNA序列大数据集、所述植入模体搜索参数得到第一k-mer集，包括：

获取长度k，根据所述长度k从所述DNA序列大数据集中获取若干k-mer；

获取第一阈值，根据所述第一阈值、所述k-mer得到所述第一k-mer集。

在本发明的一个实施例中，获取所述长度k，包括：

根据所述DNA序列大数据集得到第一期望值；

根据所述DNA序列大数据集、所述植入模体搜索参数得到第二期望值；