导读:本文包含了序列比对论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:序列,比对,算法,种子,模型,分子,规约。
序列比对论文文献综述
石海鹤,周卫星[1]（2019）在《基于动态规划的双序列比对算法构件设计与实现》一文中研究指出双序列比对算法是生物信息学中的一个关键算法,广泛应用于序列相似性分析以及基因组序列数据库搜索.现有研究主要针对特定应用问题优化和使用相对应比对算法,缺乏高抽象层算法框架的细致研究,在一定程度上导致了序列比对算法的冗余性以及人为选择算法可能造成的误差等问题,也使得人们难以有效地了解算法结构.通过深入分析基于动态规划的双序列比对算法(dynamic programming-based pairwise sequence alignment algorithm, DPPSAA)领域,在建立该算法领域的特征模型以及对应算法构件交互模型基础上,利用PAR平台形式化实现双序列比对算法构件库,并装配生成具体算法,保证了形式化装配算法的可靠性,为序列相似性分析算法应用提供了一条有价值的参考途径.最后,利用PAR平台C++程序生成系统将组装的比对算法转换为C++程序,运行结果表明DPPSAA算法构件库具有一定的实用性.(本文来源于《计算机研究与发展》期刊2019年09期）
宋思怡,程昊宇,徐云[2]（2019）在《一种基于低频种子的叁代测序序列比对方法》一文中研究指出随着测序技术的发展,叁代测序已广泛应用于基因研究中。但是,由于叁代测序序列具有平均长度长、错误率高的特性,如何快速、准确地将测序片段比对到参考基因组上成为严峻挑战。现有方法使用种子(从测序片段中挑选的短序列)来加速比对过程,但在挑选时未考虑频率特性,导致定位候选区域阶段时间消耗较大。因此,提出了一种基于低频种子的叁代测序序列比对方法,该方法采用种子投票策略,使用低频种子进行投票,减少投票计数的时间消耗,并根据位置及票数关系对候选区域进行再过滤,进一步提高比对速度。实验结果表明,在确保敏感性和准确率的同时,本文方法比现有方法快3倍左右。(本文来源于《计算机工程与科学》期刊2019年09期）
马瑜,韩楠玉,慕悦林,唐湘华,李俊俊[3]（2019）在《基于B因子分析和多重序列比对提高真菌GH11木聚糖酶的耐热性》一文中研究指出木聚糖酶具有水解自然界丰富的木聚糖的能力,在许多工业生产过程中被用作重要的生物催化剂。具有优良性能,特别是热稳定性好的木聚糖酶在工业上有很高的需求。为了达到这一目的,我们在B因子分析的基础上发现了具有显着灵活性的87-QNSS-90残基,并通过多重序列比对了GH11木聚糖酶中高度保守的87-RGHT-90残基,利用定点突变技术直接将87-90残基替换为4个单突变体。结果显示,4个单突变体的耐热性都有很好的提高。4个单突变体在最适温度60℃耐受1h后均保持高于50%的活性,而XyncDBFV在相同条件下的保留活性仅为20.94%。N88G在65℃耐受1h后残留活性大于60%,XyncDBFV的残留活性迅速下降,45分钟后全部丧失活性。通过分子动力学模拟和结构分析,我们探讨了突变体的耐热机制:Cα波动减少,β-片形成倾向增加,发现了新的氢键相互作用,并解释了突变体热稳定性提高的分子机制。本研究证实,结合B因子分析和多重序列比对是获得耐热酶的有效策略。(本文来源于《第十二届中国酶工程学术研讨会论文摘要集》期刊2019-08-08）
陈体强,钟礼义,刘新锐,杨驰,应正河[4]（2019）在《紫芝栽培新品种研究Ⅰ.rRNA基因簇及ITS序列比对分析》一文中研究指出紫芝栽培新品种‘武芝2号’(紫芝S2,英文名:Zizhi S2)是从福建省野生种质资源人工驯化选育而来的,已经形成大规模的栽培(年产量达300吨以上)。基于基因组水平,采用RNAmmer v1.2进行rRNA基因预测分析,发现在‘武芝2号’(紫芝S2)G. duropora_Zizhi S2基因组中第49号支架(Scaffold_49,248,648bp)上4套rRNA基因簇(18s,28s和5s rRNA),而在紫芝基因组G.sinense_ZZ0214-1(GenBank:AYKW00000000.1)上仅比对上部分rRNA基因(5s和28s rRNA)。针对G.duropora_Zizhi S2基因组,采用Barrnap v0.9软件分析证实在Scaffold_49上存在的rRNA基因簇是4套完整的(18s,28s,5.8s和5s rRNA)。‘武芝2号’(紫芝S2)的ITS序列(MG282563.1,649 bp)与已知5个紫芝菌株_ITS序列(voucher Wei 5327_KF494998.1、strain XZ-G-C1_HQ235633.1、strain XZ-G-C2_HQ235634.1和strain GDGM25829_KC415760.1)在线BLAST比对相似度高达99.79%,并与其中的G. sinense strain zizhi(KT906369.1,649pb)完全一致(均包含18S rRNA gene, partial sequence;ITS1, 5.8S rRNA gene, ITS2, complete sequence, 28S rRNA gene, partial sequence);此外,ITS序列聚类分析结果,‘武芝2号’G. duropora_Zizhi S2_MG282563.1与紫芝G. sinense strain Zizhi_KT906369.1的遗传距离相同,在系统进化树上相聚成一类,可以视为同属1个复合种或大种群。(本文来源于《多彩菌物 美丽中国——中国菌物学会2019年学术年会论文摘要》期刊2019-08-03）
邓小燕,徐胜超[5]（2019）在《基于Yarn云平台的生物基因多序列比对并行算法》一文中研究指出为了解决生物信息学中基因多序列比对的计算速度慢和软件陈旧的问题,提出了基于Yarn (Yet Another Resource Negotiator)云平台的生物基因多序列比对并行计算方法 Yarn_clustalW。分析了clustalW算法的数学模型及其面向MapReduce的任务划分方式,Yarn_clustalW中综合考虑了基因的长度和数目,采用一种基于阈值刻度的任务划分方式。利用NCBI的GenBank生物基因数据作为案例程序进行了测试。实验结果表明:Yarn_clustalW比起多序列比对clustalW串行计算方法具有更快的运行时间与加速比,可以使生物科研人员节省很多时间与精力,方便对于药物靶标的发现,缩短生物药物的开发周期。(本文来源于《基因组学与应用生物学》期刊2019年07期）
程昊宇[6]（2019）在《面向大规模测序数据集的序列比对算法研究》一文中研究指出随着下一代基因测序技术的发展,测序成本以超过摩尔定律的速度急剧下降,与此同时测序速度也大幅提升。这一系列进步导致了测序数据爆炸性的增长,从而使得测序数据的分析成为相关研究中的一个主要瓶颈。在大多数测序数据分析中,第一步均是测序序列比对,即找出测序片段在参考基因组上出现的位置。由于测序序列比对的重要性,长久以来其一直是生物信息学中的的一个关键而基础性问题。而面对下一代测序技术所产生的海量的测序数据,开发出高效的测序序列比对算法变得迫在眉睫。序列比对问题本质上是计算机中的字符串近似匹配问题。但不同于经典的字符串近似匹配方法,现代测序序列比对方法涉及的关键技术主要包括算法设计、索引方法研究和并行化加速。本文主要基于以上叁个方面,并结合不同应用,研究测序序列比对方法中的算法理论和高效实现技术。具体来说,本文的主要工作和贡献如下;1.FM-index索引方法中定位过程设计及优化作为一种压缩的全文本索引,FM-index是众多序列比对算法中的关键数据结构,其性能的好坏直接影响整个算法的效率。相比于传统的索引,FM-index仅存储少量采样位置以降低空间开销。然而,对于非采样位置,FM-index需要通过计算代价较高的定位操作逐个还原出来。本文提出了一种全新的定位算法FMtree,当处理基因数据时,能够成组的还原非采样位置。其将FM-index的定位操作的搜索空间组织成一棵四叉树,从而通过遍历该四叉树,非采样位置能够被成组的恢复出来,而不是像现有算法一样逐个计算。此外,本文也提出了一些剪枝策略,以进一步提升FMtree的性能。实验结果表明,当处理包含多达数十亿碱基的人类基因组和小鼠基因组时,FMtree能够比现有的压缩索引上的定位算法快一个数量级,且依然保持较小的空间开销。2.找全比对算法优化找全比对算法用于找到每个测序片段在参考基因组上所有近似匹配位置,其在一些特定的下游应用中发挥着重要的作用。相比于仅需报告少量匹配位置的最佳比对算法,找全比对算法更为耗时,所以其难以高效的处理大规模测序数据集。在目前主流的找全比对算法中,最耗时的阶段是动态规划验证阶段。在该阶段时,找全比对算法需要执行大量编辑距离计算,以找出测序片段在参考基因组上真正的匹配位置。本文提出了一种高效的找全比对算法BitMapper,其采用了全新的向量化位并行算法以加速编辑距离计算。我们提出的向量化位并行算法能够同时执行多个编辑距离计算任务,而现有的方法只能逐个计算。实验结果表明,基于该向量化位并行算法的BitMapper,能够比目前最快的找全比对算法快大约3到4倍。3.找全比对算法的GPU加速GPU包含大量的计算核心,能够提供强大的并行计算能力。由于找全比对算法需要处理海量的测序片段,且不同测序片段之间无数据关联,所以找全比对算法非常适合于利用GPU进行并行化。但是现有序列比对算法中常用的FM-index和q-gram index均不适合于GPU的体系结构。基于FM-index的字符串匹配算法数据局部性较差且分支较多,而q-gram index巨大的空间开销使得其无法整体存储在GPU全局存储器。本文参考FM-index的压缩策略,提出了一种针对GPU体系结构的稀疏q-gram index,并在此基础上设计了基于GPU的找全比对算法BitMapper2。实验结果表明,BitMapper2比现有基于CPU和GPU的比对算法均快7到8倍。4.基于改进FM-index的甲基化序列比对算法设计作为甲基化检测的金标准,重亚硫酸盐测序将非甲基化的胞嘧啶(C)转换成胸腺嘧啶(T),而甲基化的胞嘧啶(C)保持不变。甲基化序列比对算法是一类特殊的测序序列比对算法,其目的是为了发现甲基化的C。传统算法没有利用重亚硫酸盐测序将大量的C转化为了T这一特性,因此存在可优化的空间。本文提出了基于重亚硫酸盐测序的甲基化序列比对算法BitMapperBS,其包含一个全新的针对重亚硫酸盐测序数据做高度优化的FM-index。与此同时,BitMapperBS也采用了向量化位并行算法以加速比对结果的详细验证过程。实验结果表明BitMapperBS能够在较小的空间开销下,数十到数百倍快于目前主流的甲基化比对算法,同时保持相当或更好的敏感性和准确率。BitMapperB能够在10分钟内将2亿条测序片段比对到人类参考基因组上,而目前常用的甲基化比对算法需要数十个小时。以上四项研究工作可以分为算法理论和高效实现两个方面。其中算法理论包括FM-index索引方法中定位过程设计及优化和基于改进FM-index的甲基化序列比对算法设计,而高效实现包括找全比对算法优化和找全比对算法的GPU加速。(本文来源于《中国科学技术大学》期刊2019-05-30）
宋思怡[7]（2019）在《面向叁代测序的序列比对算法研究与优化》一文中研究指出近年来,叁代测序技术的发展为基因组学带来了重大变革和影响。但由于叁代测序序列具有平均长度长、错误率高的特性,现有的叁代测序序列比对算法在数据分析的工作流中占据了大量的时间。因此,如何快速、准确地将大规模的测序序列比对到参考基因组上是叁代测序序列比对面临的一大挑战。目前主流算法大多采用种子扩展(seed-and-extend)方法,包括过滤出候选位置和进行比对验证两个阶段。过滤和验证是影响算法性能的关键环节,为了加快序列比对的速度,本文对过滤方法的特征选取和验证阶段的索引技术进行了较为深入的研究,主要工作和贡献如下:(1)过滤方法设计及优化对已有过滤方法进行分析,它们使用全部种子来过滤候选位置,如此要处理的种子数很多且针对性不强,导致过滤时间过长。我们的实验表明过滤时低频率的种子往往具有更高的区分度,同时低频种子也可以有效地减少计算量。基于此,本文提出了一种基于低频种子的过滤方法,根据基因组的规模动态地选取低频率的种子,使用低频种子进行投票定位候选区域。过滤得到的候选区域数目也是过滤方法的重要衡量标准。为了进一步减少候选区域的数目,我们对过滤方法进行了优化,提出了相邻窗口合并、候选窗口验证判断、变换种子区域叁个启发式策略,在保证敏感度的前提下对候选位置进行再过滤。实验结果表明,当种子频率范围设置为20%时,本文提出的过滤方法可以大幅减少过滤阶段的时间消耗,比现有过滤方法快10倍左右。同时,优化后的过滤方法可以减少约70%的候选位置。(2)索引改造及验证方法改进验证阶段需要对候选区域进行扩展验证以获得最终的比对结果,现有方法通常借助索引构建最优覆盖链来减少比对的范围。但由于叁代测序序列长度较长,使用全局索引时,串链阶段需要处理大量错位的无效锚点。针对这个问题,本文设计了一种分段哈希索引,并提出了基于分段哈希索引的验证方法,分别对索引和候选区域进行分段划分,利用位置关系的限制减少无效锚点的数目,加速串链过程,进而减少验证阶段的时间消耗。实验结果表明,改进后的验证方法可将验证时间提升30%以上;将本文提出的过滤方法与验证方法相结合,在拟南芥基因组和人类基因组上进行序列比对的全过程实验,与现有的叁代测序序列比对算法进行了比较,整体速度提升了2-5倍。(本文来源于《中国科学技术大学》期刊2019-05-28）
产院东[8]（2019）在《基于多核和众核平台的并行DNA序列比对算法》一文中研究指出从人类基因组计划实施开始,生物计算包括的理论,方法以及相关的应用被越来越多的生物,医学以及其他医务工作者所需要和关注。生物计算作为一个交叉学科,它的发展与研究越来越凸显出重要的作用。蛋白质,蛋白质组,基因,基因组等生物学信息的数据采集,存储与分析及其生物学意义,是生物计算乃至生物,医学,医药的重点研究内容之一。随着测序技术的发展,生物数据的规模呈现爆炸式增长的趋势。如基于第叁代测序技术的Helicos公司,测序仪每天可以产出3GB的基因数据。此外,随着测序技术的发展,序列的长度也在急剧的增长。无论是数据的规模还是数据的长度,都给生物计算提出了新的挑战。针对蛋白质数据和基因数据开发的生物应用程序,大多是基于传统的CPU平台,而且是基于单线程进行开发设计的。因此,为了处理更多的数据,就需要增加大量的硬件设备来处理。这就大大提升了生物序列分析的成本。从1986年到2002年,微处理器的性能以5050%的速度不断提升。但是2002年之后,单处理器的性能提升速度下降到每年大约20%。所以从2005年开始,大部分主流的CPU制造商决定采用并行处理来快速的提升微处理器的性能。因此如今单个CPU可以包含多达十几个计算核心。与此同时,也出现了大量的计算设备,如图形处理器GPU,集成众核架构Xeon Phi,可编程门阵列FPGA等等。借助不断提升的计算能力和新的计算设备,人类在诸多领域,如气候模拟,蛋白质折迭,药物发现,能源研究,人类基因解码,人工智能等领域发展的非常迅速。围绕着基因数据和DNA序列比对过程,本文的研究内容主要分为叁个部分。第一部分基于众核架构Xeon Phi,设计并实现了高效的并行DNA序列比对验证算法MyPhi。第二部分针对DNA序列比对的过滤阶段,我们提出了全新的过滤算法PUNAS,并给出了基于多核平台和众核平台可扩展的并行化实现。基于前期的工作,最终我们设计了一个完整的DNA序列比对软件FEM。相较已有的DNA序列比对软件,FEM在内存的使用以及运行时间两个方面都有所提升。为了加速DNA序列比对的验证阶段,我们首先在算法上做了深入的调研。相较于传统的Smith-Waterman算法,基于位并行的Myers算法效率更高。Myers算法的主要思想是将Smith-Waterman中计算矩阵单元格的绝对值策略转换为计算相邻矩阵单元格的差值的策略,再将差值用若干个比特向量表示。基于第一代和第二代的Xeon Phi平台,我们设计并实现了高效的并行Myers算法,MyPhi。为了充分利用多核计算能力,我们用OpenMP并行编程模型实现了多线程并行。在细粒度上,我们设计了多种并行方案,通过实践对比不同并行方案的优缺点,选择最优的并行方案。再结合每一个众核平台上特定的向量指令集,实现了核心计算部分的向量化优化。实验表明,MyPhi在单个KNL设备上实现了TCUPS(Trillions cells update per second)的性能。对于DNA序列比对软件来说,验证阶段占了90%的总运行时间,因此MyPhi算法可以提升DNA序列比对过程的效率。SHD,移位海明距离算法,是对Myers算法的一次改进。由于在DNA序列比对过程中,只有一少部分的比对过程是有意义的,用来0为DNA序列找到正确的比对位置。因此一些快速的启发式算法可以用来快速的过滤掉大部分没有意义的比对。SHD算法作为Myers算法的一种近似,属于这种高效的启发式算法,也被称为过滤算法。在时间复杂度上,Myers算法是平方级别的,而SHD算法具有线性的时间复杂度。我们通过调研SHD算法,在保证不改变算法意义的前提下,通过改变计算的方法,大大的降低了算法的复杂度,使得算法的操作步骤由原来的35步减少到了13步。我们将改进之后的算法称为PUNAS算法。PUNAS算法不仅计算效率更高,而且已经进一步扩展到支持任意长度的DNA序列比对。另外,针对多核架构,如SSE,AVX,以及众核架构Xeon Phi等,我们都给出了算法在该硬件平台上的实现,可见PUNAS算法具有很好的平台可扩展性。实验表明,PUNAS算法的计算性能比Smith-Waterman算法快了几千倍。此外,相较于ScqAn等比对软件中使用的Myers算法,SHD算法也取得了7.3倍的加速比。基于已有的工作,为了加速DNA序列比对过程,我们设计并实现了一个完整的DNA序列比对软件FEM。与以往的DNA序列比对软件不同的是,FEM在创建哈希索引过程中提出了新的数据结构和新的算法。FEM中使用的精简哈希索引通过仅记录参考基因中的部分位置。随着索引结构的改变,需要新的选种算法来找出每个DNA序列的候选位置。为此,FEM提出了两个选种算法,分别是Group-Seeding算法和Variable-Length算法。在确定候选位置之后,FEM算法采用优化后的Myers算法来验证每一个候选位置。相较于已有的DNA序列比对软件,FEM在内存占用,比对速度,比对精度上均有明显的提升。对于人类基因,可以将16GB大小的哈希索引压缩到3GB,大大减少了内存的使用。此外,相较于BitMapper和Hobbes3这两个最新的DNA序列比对软件,FEM取得了2.8倍和9.3倍的加速比。(本文来源于《山东大学》期刊2019-05-20）
吴泓邵[9]（2019）在《基于Xeon Phi的超长序列比对算法设计与实现》一文中研究指出基因是指控制生物性状的遗传信息,通常由DNA序列承载,可以视作基本遗传单位。基因的产物可以是蛋白质和RNA,从而控制生物个体的性状差异表现。而两个基因的相似度有多高,演化上是否可能同源。归结到计算上,就是如何找到两个序列的最优或近似最优的比对。随着人类基因组计划的测序工作的完成,生物信息科学的研究重点放在了探明基因序列的功用上。而在高通量测序技术快速进展的背景之下,生物数据呈现指数型增长。因此产生了对大量生物信息数据进行高效准确分析的需求。基因序列决定了生物的性状,查找出基因差异性对于人类克服疾病具有深远的意义。本文在Xeon Phi众核架构上,设计并实现了一个全新的超长序列比对算法SLPal。该算法的计算核心是基于位并行的BitPAI算法。在粗粒度上,为了实现多线程并行,我们将超大规模的矩阵进行了划分。在垂直和水平方向上分别进行划分,将矩阵分成了网格。然后通过Intel TBB并行编程库构建了有向无环图模型来实现该网格中矩阵块之间的并行。在细粒度上,我们用Xeon Phi上的指令集编写了 Intrinsic指令。SLPal中的一些操作没有对应的向量化实现,我们采用手动编写函数来实现了相关的功能。实验表明,相较于已有的超长序列比对算法,SLPal的计算效率更高。在单块KNC和KNL平台上,分别取得了172和482GCUPS的计算性能。相较于Swaphi-ls并行超长序列比对算法,SLPal在KNC和KNL上分别取得了5.8倍和16倍的加速比。(本文来源于《山东大学》期刊2019-05-20）
周卫星[10]（2019）在《基于DP的若干序列比对算法构件开发及其装配生成》一文中研究指出序列比对是一种通过排列基因组序列来识别序列相似性区域,从而获得待比对序列之间的功能、结构或进化关系的技术。随着人类基因组计划的实施,测序技术的发展产生了大量的有关生物分子的原始序列数据,面对如此丰富的基因组序列数据,如何去高效处理和分析这些数据,比较两序列之间的相似区域和保守性位点,寻求序列同源结构,揭示生物遗传、变异和进化等问题,成为了序列比对算法研究的主要动力之一。目前,比对算法的研究大部分集中于序列比对算法问题域中的特定问题或者特定算法优化,而较少面向于整个序列比对算法问题域,难以得到一个具有更高抽象层次且适用于序列比对算法问题域的算法构件库,在一定程度上导致了序列比对算法的冗余性以及人为选择算法可能造成的误差等问题,也使得人们难以有效地了解算法结构,无法保证算法的正确使用,甚至于降低了序列比对结果的准确性。由于现有算法的专用性和低抽象性,不仅导致研究人员需要花费大量时间去学习和使用该类算法,降低了算法的可维护性和复用性,而且难以定位和解决算法产生的错误,加重了序列相似性分析的负担。通过深入分析基于动态规划的双序列比对算法(Dynamic Programming-based Pairwise Sequence Alignment Algorithm,DPPSAA)领域,利用产生式编程方法设计并建立了DPPSAA领域特征模型,其中主要包含特征模型和特征交互模型。然后利用PAR平台的高抽象程序设计语言Apla将上述领域特征模型中的特征作为构件进行形式化实现,并详细叙述了实现过程,建立了一个基于Apla程序的高抽象性的DPPSAA构件库,展示了基于该构件库装配形成Needleman-Wunsch算法的具体步骤。同时,利用PAR平台的C++程序转换系统,通过手动和自动结合的方式将上述构件库转换成为相对应的C++程序代码,并装配实现和运行了Needleman-Wunsch算法,结果表明通过DPPSAA构件库具有一定的实用性,在算法学习和实现方面有一定优势,为形式化装配实现序列比对算法提供了可能。之后以DPPSAA构件库为基础,改进和增加了部分构件库构件,使其能够支持装配基于DPPSAA构件库的多序列比对领域算法,并利用该扩充构件库,装配并实现了星比对算法,实验结果表明装配生成的星比对算法具有一定的实用性,不仅验证了DPPSAA构件库的复用性,且扩充了DPPSAA领域构件的适用范围。(本文来源于《江西师范大学》期刊2019-05-01）
序列比对论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着测序技术的发展,叁代测序已广泛应用于基因研究中。但是,由于叁代测序序列具有平均长度长、错误率高的特性,如何快速、准确地将测序片段比对到参考基因组上成为严峻挑战。现有方法使用种子(从测序片段中挑选的短序列)来加速比对过程,但在挑选时未考虑频率特性,导致定位候选区域阶段时间消耗较大。因此,提出了一种基于低频种子的叁代测序序列比对方法,该方法采用种子投票策略,使用低频种子进行投票,减少投票计数的时间消耗,并根据位置及票数关系对候选区域进行再过滤,进一步提高比对速度。实验结果表明,在确保敏感性和准确率的同时,本文方法比现有方法快3倍左右。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
序列比对论文参考文献
[1].石海鹤,周卫星.基于动态规划的双序列比对算法构件设计与实现[J].计算机研究与发展.2019
[2].宋思怡,程昊宇,徐云.一种基于低频种子的叁代测序序列比对方法[J].计算机工程与科学.2019
[3].马瑜,韩楠玉,慕悦林,唐湘华,李俊俊.基于B因子分析和多重序列比对提高真菌GH11木聚糖酶的耐热性[C].第十二届中国酶工程学术研讨会论文摘要集.2019
[4].陈体强,钟礼义,刘新锐,杨驰,应正河.紫芝栽培新品种研究Ⅰ.rRNA基因簇及ITS序列比对分析[C].多彩菌物美丽中国——中国菌物学会2019年学术年会论文摘要.2019
[5].邓小燕,徐胜超.基于Yarn云平台的生物基因多序列比对并行算法[J].基因组学与应用生物学.2019
[6].程昊宇.面向大规模测序数据集的序列比对算法研究[D].中国科学技术大学.2019
[7].宋思怡.面向叁代测序的序列比对算法研究与优化[D].中国科学技术大学.2019
[8].产院东.基于多核和众核平台的并行DNA序列比对算法[D].山东大学.2019
[9].吴泓邵.基于XeonPhi的超长序列比对算法设计与实现[D].山东大学.2019
[10].周卫星.基于DP的若干序列比对算法构件开发及其装配生成[D].江西师范大学.2019
论文知识图
