EPSAPG：一种结合 MMseqs2 与 PSI-BLAST 快速生成广泛蛋白质序列比对谱的流水线
计算工程、金融与科学
2024-01-17 v2
摘要
众多用于蛋白质功能与结构预测的机器学习（ML）模型依赖于进化信息，这些信息通过 PSI-BLAST 生成的多序列比对（MSA）或位置特异性打分矩阵（PSSM）来捕获。因此，这些预测方法背负着巨大的计算需求与漫长的计算时间要求。主要挑战源于 PSI-BLAST 软件必须分批顺序加载大型序列数据库，然后搜索与给定查询序列相似的比对。在批量查询的情况下，运行时间甚至呈线性增长。随着生物序列数据存储库随时间呈指数级增长，这一困境变得更具挑战性，并且这种上升趋势对 PSI-BLAST 的运行时间造成了成比例的负担。为解决此问题，一个显著的解决方案在于利用 MMseqs2 方法，其能够将搜索过程加速两个数量级。然而，MMseqs2 无法直接用于生成 PSI-BLAST 比对和 PSSM 谱所需格式的最终输出。在本研究中，我开发了一个综合流水线，协同整合 MMseqs2 与 PSI-BLAST，从而创建了一个稳健、优化且高效的混合比对流水线。值得注意的是，该混合工具表现出显著的提速，在生成序列比对谱方面超越 PSI-BLAST 的运行时间性能达两个数量级。它以 C++ 实现，并在 MIT 许可证下自由获取，地址为 https://github.com/issararab/EPSAPG。
引用
@article{arxiv.2311.06670,
title = {EPSAPG: A Pipeline Combining MMseqs2 and PSI-BLAST to Quickly Generate Extensive Protein Sequence Alignment Profiles},
author = {Issar Arab},
journal= {arXiv preprint arXiv:2311.06670},
year = {2024}
}
备注
10th IEEE/ACM International Conference on Big Data Computing, Applications and Technologies