[發明專利]一種基因序列數據處理方法、裝置及系統

在審

• 申請號: 201810296700.8
• 申請日: 2018-04-03
• 公開（公告）號: CN108537006A
• 公開（公告）日: 2018-09-14
• 發明（設計）人: 朱紅
• 申請（專利權）人: 鄭州云海信息技術有限公司
• 主分類號: G06F19/20
• 分類號: G06F19/20;G06F19/28
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請實施例公開了一種基因序列數據處理方法、裝置及系統，所述方法包括根據設定的拆分規則，對參考基因序列進行拆分，獲得M組參考基因子序列；生成M個程序運行腳本，將所述M個程序運行腳本投遞到所述多節點計算機集群的作業調度系統中進行計算，獲得M個基因序列處理子結果，其中，每個程序運行腳本運行結束后輸出一個相應的基因序列處理子結果；對所述M個基因序列處理子結果進行匯總，獲得基因序列數據處理結果。有益效果：1、利用集群資源多節點并行處理基因數據，從而縮短數據處理時間；2、本申請并不涉及修改軟件源代碼，易于實現；3、沒有太大的操作系統/軟硬件環境依賴，可以適配于各種計算機集群和各種作業調度系統。

技術領域

本申請涉及計算機技術領域，特別是涉及一種基因序列數據處理方法、裝置及系統。

背景技術

生物信息學(Bioinformatics)是研究生物信息的采集、處理、存儲、傳播、分析和解釋等各方面的學科，它通過綜合利用生物學、計算機科學和信息技術而揭示大量而復雜的生物數據所賦有的生物學奧秘。隨著生物信息學數據量的爆發，各種用于處理生物信息學數據的軟件也層出不窮。

以基因測序為例，其主要包括測序數據比對、比對數據預處理、查找突變等三個主要步驟，分別涉及到bwa、picard和GATK三個常用軟件。具體過程可以理解為：在測序數據比對步驟把每一個測序數據比對到基因組的相應位置的過程；比對完成過后，在比對數據預處理步驟中對比對結果進行化；最后在查找突變步驟中查看整個基因組中每個位置是否存在突變、及突變是否致病等臨床診斷所需的信息。其中，測試數據可以為從測序儀產出的非常小的基因片段(一般是100～200個堿基長度，堿基是基因中的最小單元，人的基因組包含了30億個堿基)。

但是，相較于數據的爆發式增長，大多數的生物信息學軟件的設計都是基于單線程運行或者是單節點運行的，效率較低。隨著精準醫療概念的提出，基因測序及相應的數據處理技術越來越多的開始從實驗室走向臨床。和實驗室不一樣的是，臨床對于數據處理的時效性有較高的要求。例如，人們希望測序和數據處理像驗血一樣，可以在一個小時內拿到測試結果。但是目前基因數據從測序儀上進行測序需要數小時到一天的時間，而測序得到的數據進行分析并拿到分析報告又需要耗費約一天的時間，這樣的時效性對其臨床應用造成了較大的阻礙。

發明內容

本申請實施例中提供了一種基因序列數據處理方法、裝置及系統，以利于解決現有基因序列數據處理效率較低的問題。

第一方面，本申請實施例提供了一種基因序列數據處理方法，應用于多節點計算機集群，所述方法包括：

根據設定的拆分規則，對參考基因序列進行拆分，獲得M組參考基因子序列；

生成M個程序運行腳本，將所述M個程序運行腳本投遞到所述多節點計算機集群的作業調度系統中進行計算，獲得M個基因序列處理子結果，其中，每個程序運行腳本運行結束后輸出一個相應的基因序列處理子結果；

對所述M個基因序列處理子結果進行匯總，獲得基因序列數據處理結果。

可選地，所述根據設定的拆分規則，對參考基因序列進行拆分，獲得M組參考基因子序列，包括：

根據所述參考基因序列內染色體的數量，對參考基因序列進行拆分，獲得M組參考基因子序列，其中，每組參考基因子序列對應一條染色體。

可選地，所述根據設定的拆分規則，對參考基因序列進行拆分，獲得M組參考基因子序列，包括：

根據設定的分組數，對所述參考基因序列進行拆分，獲得M組參考基因子序列，其中，任意兩組參考基因子序列的長度差值小于或等于預設閾值。

可選地，定義允許同時運行的程序運行腳本的最大數量N；

若所述N＜M，所述將所述M個程序運行腳本投遞到所述多節點計算機集群的作業調度系統中進行計算，包括：