3

我正在考虑一种并行解析fasta文件的方法。对于那些不知道 fasta-format 的人，举个例子：

>SEQUENCE_1  
MTEITAAMVKELRESTGAGMMDCKNALSETNGDFDKAVQLLREKGLGKAAKKADRLAAEG  
LVSVKVSDDFTIAAMRPSYLSYEDLDMTFVENEYKALVAELEKENEERRRLKDPNKPEHK  
IPQFASRKQLSDAILKEAEEKIKEELKAQGKPEKIWDNIIPGKMNSFIADNSQLDSKLTL  
MGQFYVMDDKKTVEQVIAEKEKEFGGKIKIVEFICFEVGEGLEKKTEDFAAEVAAQL  
>SEQUENCE_2  
SATVSEINSETDFVAKNDQFIALTKDTTAHIQSNSLQSVEELHSSTINGVKFEEYLKSQI  
ATIGENLVVRRFATLKAGANGVVNGYIHTNGRVGVVIAAACDSAEVASKSRDLLRQICMH

因此，以“>”开头的行是标题行，其中包含标识符后面的序列的标识符。

我想您将整个文件加载到内存中，但在此之后我无法找到处理这些数据的方法。

问题是：线程不能从任意位置开始，因为它们可以通过这种方式剪切序列。

当行相互依赖时，有人有并行解析文件的经验吗？任何想法都值得赞赏。

4

2 回答 2

2

应该很容易，因为在这种情况下，行之间的依赖关系非常简单：只需让线程从任意位置开始，然后跳过行，直到它们到达以“>”开头的行（即开始一个新的序列）。

为确保没有序列被处理两次，请保留一组已处理的所有序列 ID（或者如果序列 ID 不是唯一的，您可以按行号进行处理，但它们确实应该是！）。

于 2011-11-27T20:23:11.790 回答
1

执行预处理步骤，遍历数据一次，并确定所有有效的起点。让我们称这些任务。然后，您可以简单地使用工人-船员模型，其中每个工人重复要求一个任务（一个起点），并对其进行解析。

于 2011-11-24T15:21:24.790 回答