摘  要  巴西固氮螺菌是重要的植物促生内生菌之一。为了研究其未知基因，在巴西固氮螺菌和与其同源的五个菌种之间进行系统发生足迹研究。由于单机任务执行的串行性，效率较低。研究发现，整个过程包含了大量重复的、没有数据依赖的操作，如文本信息的提取，DNA序列的比较等。因此，提出了局域网环境下基于客户机/服务器模式的多机并行实现的思路。在充分利用资源的同时，显著提高了效率。

    关键词  巴西固氮螺菌；同源； 系统发生足迹； 客户/服务器模式； 并行 

 

    1 引言

    1.1 巴西固氮螺菌

    巴西固氮螺菌(Azospirillum brasilence)是重要的植物促生内生菌之一，其质体上的不同基因分别控制着其各种不同的特性。对巴西固氮螺菌的深入研究对我国农业的发展有着深远的影响。    在巴西固氮螺菌的sp7菌株里，发现了两个质体，分子量分别为115 MDa (p115) 和90 MDa (p90)。 实验表明：p115 质体会自发地从细菌细胞中消失，并且与原生型sp7比较，由p115的衍生物来代替p115没有造成任何表现型如细菌的运动性、化学向性等的差异，而对p90的替代却使得细菌不能正常生存。由此得出结论：细胞存活必须的基因信息在p90质体上。[1]

    1.2 系统发生足迹技术

    P90的基因序列已经被微生物与植物遗传中心(KULeuven, Belgium)破译，并且部分基因的位置和功能已经确认，如exoB和exoC控制着外聚多糖的合成。然而还有一些基因如nodP和nodQ，它们的功能还有待确定。本文应用系统发生足迹技术对p90 进行研究。    系统发生足迹是用来识别DNA序列中的调控因子(motif)的方法，它通过在多个同源基因的调控序列（基因间序列）中寻找保守区域来确定调控因子。系统发生足迹技术认为：由于环境选择的压力，基因上的功能因子比那些非功能序列进化的速率慢。因此，对于同源物种而言，那些保守区域将成为功能/调控因子的主要侯选者。[2]

    1.3 局域网多机并行实现

    随着网络技术的发展，多机并行技术应用日益广泛。并行是指多台计算机同时运行，与单机串行运行相比，并行能够显著的提高执行速度。本系统构建客户/服务器模式的局域网，即一台服务器，多台客户机。服务器安装应用程序和存储必要的数据供客户机使用，同时协调客户机之间的同步运行。客户机从服务器上下载文件并在服务器的支配下并行执行任务。

    2  方法与设计

    2.1 系统任务提出及方案论证

    由于系统发生足迹是在同源基因的基因间序列中寻找调控因子，因此，首要的任务是寻找与p90同源的基因间序列。本系统中使用新月柄杆菌，根瘤菌, 深红红螺菌, 球形红杆菌和淡水菌五种细菌作为与巴西固氮螺菌p90基因比较的对象。由于都属于a-蛋白菌，可以在它们的基因中寻找同源基因，进而找到这些同源基因的基因间序列。    针对上述任务，本系统发生足迹研究共分为4大模块：    2.1.1  基因信息入库    由于存储在NCBI的基因信息是以文本文件的形式存放，为了便于计算机处理，需要将文本中的各项信息提取出来存入数据库表中。    并行性分析：基因信息入库是文本信息提取操作，信息量大，需要大量单一、重复的操作，必须借助计算机程序来高速、准确的完成。由于每次提取操作只针对一个文本文件，因此文本文件的信息提取操作之间没有任何数据依赖关系，可以将这些文件按照数量均分给多台计算机并行执行以提高信息的提取速率。    2.1.2  蛋白质比较    一般来说，如果两个蛋白质的序列相似，则其功能也相近。基因间序列对基因编码起着重要的调节作用。如果两个基因间序列调控的基因编码的蛋白质序列相似，即蛋白质的功能相近，则说明这两个编码基因序列有可能是同源关系，那么就可以将它们相应的基因间序列提取出来进行系统发生足迹研究。因此需要寻找基因编码的蛋白质序列，由于蛋白质序列在NCBI是以fasta 文件形式存储，需要将文件中的信息进行提取并存到数据库表中。    对所有的蛋白质序列进行BLAST比较，寻找序列的相似性，结果如图1：

 

 图1. BLAST比较结果

 

    为了排除偶然因素造成的序列间的相似性，用期望值E来衡量结果的显著性。E值越小，结果越显著。    并行性分析：fasta文本信息的提取与基因信息提取相似，可以并行实现；而序列间的BLAST比较只需要参与比较的蛋白质序列信息，并不依赖与别的蛋白质。因此，在保证所有的蛋白质之间都能比较的前提下，可以把序列分组，由客户机并行执行。    2.1.3  基因序列分组    根据BLAST计算出的相似度，用TribeMCL对蛋白质进行分组，序列相似的蛋白质将被归为一组。为了利用序列相似的传递性，将各蛋白质之间的相似关系用图来表示，蛋白质作为结点，而边用来代表蛋白质之间的相似度，并且用-log (E) 作为相似度的权值。将图进一步转换为马尔可夫矩阵，矩阵中的元素代表蛋白质序列间的转换概率。通过矩阵自乘进一步寻找蛋白质之间的亲缘关系，避免将关系较远的蛋白质遗漏 [3]。    得到蛋白质的分组后，将蛋白质转换成其相应的编码基因，进而得到基因分组，由于只需要与p90相关的基因组，再将包含p90基因的分组筛选出来存入数据库中，结果如表1：表1: 基因分组     并行性分析：蛋白质分组需要将所有的蛋白质相似度信息进行比较，因此本模块不能并行执行，必须由一台计算机独立完成。    2.1.4  寻找motif    系统发生足迹是在与p90相关的基因间序列中寻找motif，得到了基因分组后，根据基因名称将调控其编码的基因间序列提取出来。    以同组的基因间序列作为输入，使用MotifSampler软件来寻找侯选motif, 该软件采用Gibbs采样算法，Gibbs通过随机采样不断更新motif 模型和在各条序列中的出现位置以优化目标函数，当满足一定的迭代终止条件时就得到了最终的候选motif。[4]   

　　[8]电大学习网.免费论文网[EB/OL]. /d/file/p/2024/0424/fontbr />并行性分析：同BLAST相似，motif的寻找不存在数据依赖，可以并行执行。

    2.2 系统设计

    本系统的四大模块之间必须是串行执行，即只有前一模块执行完后，后一模块才可以执行。系统模块之间的执行顺序如图2所示：

 

图2：系统模块执行顺序图    由于除了基因序列分组，其余三个模块都可以并行执行，为了提高系统的数据处理效率，本文提出在局域网环境下多机并行处理生物信息的思路，采取客户/服务器模式。网络连接如图3: 图3: 网络连接图    2.2.1 服务器设计    服务器主要有四大功能：    ①
务分配：为了让网络中的客户机并行执行模块中的任务，服务器需要将任务按文件或序列的数量分解成大小均等的子块，分配给各客户机完成。    ②
数据库共享：在服务器上设置一级数据库，存储所有的关于基因和蛋白质的信息，供各客户机下载所需数据并上传处理结果。    ③
同步控制：由于模块间的串行性，在多机并行处理数据时，必须保证各客户机之间的同步。服务器将任务分配给客户机时，需发送一个启动信号通知客户机开始执行任务。而当客户机完成当前任务时，需发送一个结束信号通知服务器任务完成，准备接收下一任务。只有当服务器接收到所有客户机发来的结束信号时，才开始下一任务的分配。    ④
基因序列分组    基因序列分组不能并行执行，在本系统中由服务器单独完成。    服务器操作系统配置Windows 2000 Server, 数据库系统为SQL Server 2000.    2.2.2 客户机设计    各客户机在服务器的支配下并行完成基因信息入库、蛋白质比较和寻找motif的任务。    客户机上配有二级数据库，当接收到服务器分配的任务时，从主数据库中下载所需数据并存储在本机数据库中，避免了多次访问一级数据库造成的时间延迟。当完成当前任务时，需要将数据处理结果提交到服务器，并发送结束信号等待下一任务的分配。    客户机操作系统配置Windows 98, 数据库配置SQL Server 2000。

    3  结果与结论  

    本系统将工作空间进行了划分，每个子空间可以独立计算，并且对各子空间的计算都是相同的，即除了基因分组模块以外，可以实现彻底的计算并行性。    通过使用不同数目的客户机，得到不同的处理时间和加速比如表2：表2： 并行处理时间及加速比

客户机台数	所需时间t(小时)	加速比
1	26.5	1
2	14.6	1.81
4	7.48	3.54
8	4.39	6.03

    通过数据对比可以看出，由于并行运行的数据传输及同步等待等的开销，加速比与客户机数目并不成正比。    影响加速比的因素分析：    1）   服务器与客户机之间的通信（发送启动和结束信号）延迟时间d，由于在局域网内部的数据传输距离短，速度快，d<1minute, d/t<<1，所以对加速比的影响可以忽略不计。    2）   各客户机之间的同步等待时间w，由于服务器在分配任务时只是根据文件或序列的数量，并不考虑其实际大小，所以可能造成任务分配的不均匀，进而使得各客户机之间的任务完成时间差异较大，而服务器必须等待所有子任务都完成才能开始下一任务的分配，客户机数量增加，w也随着增加。因此w是影响加速比的重要因子。    3）   客户机从服务器下载数据及向服务器上传运行结果的时间延迟u，由于各任务运行需要的数据量较大，所以u也是影响加速比的比较重要的因子。    分析表明：各客户机之间的同步等待及数据传输成为影响速度提高的主要因素，需要在服务器任务分配算法中加上文件大小因子以平衡各客户机之间的任务负载，进而降低同步开销；通过在客户机上存储主数据库中的所有数据，降低数据传输开销，进一步提高加速比。

    参考文献

[ 1 ] Steenhoudt O, Vanderleyden J.. Azospirillum, a free-living nitrogen-fixing bacterium closely associated with grasses: genetic, biochemical and ecological aspects. [J] FEMS Microbiol Rev. 2000 ; 24(4):487-506.[ 2 ] Zhang Y, Burris RH, Ludden PW, Roberts GP,Regulation of nitrogen fixation in Azospirillum brasilense.[J] FEMS Microbiol Lett. 1997 Jul 15; 152(2):195-204[ 3 ] Enright AJ, Van Dongen S, Ouzounis CA.  An efficient algorithm for large-scale detection of protein families.[J] Nucleic Acids Res. 2002 Apr 1; 30(7):1575-1584.[ 4 ] Kathleen Marchal, Gert Thijs, Sigrid De Keersmaecker, Pieter Monsieurs, Bart De Moor and Jos Vanderleyden. Genome-specific higher-order background models to improve motif detection.[J] Trends Microbiol. 2003 Feb; 11(2):61-66.

　　[8]电大学习网.免费论文网[EB/OL]. /d/file/p/2024/0424/fontbr /> 

 

相关文章：

健康观视域下的高校生命教育研究04-26

北京市新冠肺炎数据开放思考04-26

我国辩护律师调查取证的困境及制度完善04-26

DFAC财务绩效评价思考04-26

Z电力工程公司用工模式优化探讨04-26

基于超宽带雷达的机器人室内高精度定位系统探讨04-26

大数据时代D市公安局维稳工作策略探讨04-26

美国对华的贸易救济调查及应对策略思考——基于美国对04-26

战略投资者引入对新零售企业绩效影响04-26

违约方司法解除权的规范解释与适用展开04-26