JPH07105224A - Character array retrieving method - Google Patents
Character array retrieving methodInfo
- Publication number
- JPH07105224A JPH07105224A JP6177989A JP17798994A JPH07105224A JP H07105224 A JPH07105224 A JP H07105224A JP 6177989 A JP6177989 A JP 6177989A JP 17798994 A JP17798994 A JP 17798994A JP H07105224 A JPH07105224 A JP H07105224A
- Authority
- JP
- Japan
- Prior art keywords
- character
- character array
- search
- array
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
【0001】[0001]
【産業上の利用分野】本発明は文字配列、特にDNA、
RNAやアミノ酸の配列自身のデータベースに対する検
索方法に関する。This invention relates to character sequences, especially DNA,
The present invention relates to a search method for a database of RNA or amino acid sequences themselves.
【0002】[0002]
【従来の技術】第1の従来技術として、文字配列、特に
DNA、RNAやアミノ酸の配列自身のデータベースに
対する誤りを許容した検索を行う場合、ダイナミックプ
ログラミング(DP)法に基づいたスミス−ウォータマ
ン(Smith−Waterman)の方法による比較
がデータベース内の全ての配列に対して行われていた。
(蛋白質核酸酵素、1983年、第28巻、第10号、
1165頁−1186頁)。Smith−Waterm
anの方法は、二つの文字配列を比較する際に、文字の
一致にプラスのスコアを、不一致、欠失、挿入にマイナ
スのスコアを与えた上で、二つの文字配列の並置を行
い、スコアの総計が最大になるような並置を求める方法
である。DNAの公共データベースであるジェンバンク
(GenBank)への塩基配列の登録件数は年々増大
しており、現在では全体の塩基数が1×108に達して
いる。GenBankのデータベース全体をSmith
−Watermanの方法で検索する時間は大型計算機
数を用いても数時間以上かかることが知られている。2. Description of the Related Art As a first conventional technique, when performing a search for a character sequence, particularly a sequence of DNA, RNA or amino acid itself, which allows an error, Smith-Waterman (DP) based on the dynamic programming (DP) method is used. Comparisons by the method of Smith-Waterman) were performed on all sequences in the database.
(Protein nucleic acid enzyme, 1983, Volume 28, No. 10,
1165- 1186). Smith-Waterm
An's method, when comparing two character sequences, gives a positive score to the character match and a negative score to the mismatch, deletion, and insertion, and then performs the juxtaposition of the two character sequences to obtain the score. Is a method of finding the juxtaposition that maximizes the total of. The number of registered nucleotide sequences in GenBank, which is a public database of DNA, has been increasing year by year, and the total number of nucleotides is now 1 × 10 8 . Smith the entire GenBank database
It is known that the time for searching by the Waterman method takes several hours or more even if a large number of computers are used.
【0003】そこで、第2の従来技術として、検索時間
を短縮するために、ファストエー(FASTA)と呼ば
れる方法が一般に用いられるようになってきた(プロシ
ーディング オブ ナショナル アカデミィー サイエ
ンス ユーエスエー (Proc.Natl.Aca
d.Sci.USA)、1988、Vol.85、pp
2444−2448)。この方法は2段階の検索からな
る。第1段階の検索では、データベース内の全ての配列
と簡略化した比較を行う。二つの配列間で一定文字長
(1〜6)の部分文字列の一致部分を抽出し、それらの
一致文字列間に重なりがあれば延長していき、得られた
最大の一致部分の長さに応じてスコア値を与える。この
スコア値が設定された閾値を越えた配列のみに対して第
2段階の検索を行う。第2段階の検索では、前述したS
mith−Watermanの方法を用いてスコア値を
厳密に計算する。このスコア値に基づいて塩基配列間の
相同性や類似性の判定を行う。ここで用いられるSmi
th−Watermanの方法では、第1段階の検索で
得られた最大一致部分を中心にした限られた範囲での比
較を行うことによって、検索時間の短縮を行っている。Therefore, as a second conventional technique, in order to shorten the search time, a method called FASTA has been generally used (Proc. Natl. Science USA (Proc. Natl. Aca
d. Sci. USA), 1988, Vol. 85, pp
2444-2448). This method consists of a two-step search. The first stage search involves a simplified comparison with all sequences in the database. The length of the maximum matching portion obtained by extracting the matching portion of the partial character string with a constant character length (1 to 6) between the two sequences, and extending if there is an overlap between the matching character strings. Depending on the score value is given. The second stage search is performed only on the sequences whose score value exceeds the set threshold value. In the second-stage search, the above-mentioned S
The score value is calculated strictly using the method of mith-Waterman. Based on this score value, homology or similarity between base sequences is determined. Smi used here
In the th-Waterman method, the search time is shortened by performing comparison in a limited range centered on the maximum matching portion obtained in the first-stage search.
【0004】一方、第3の従来技術として、一般的な文
書データベースの検索においては、登録されたキーワー
ドの検索に代わるフルテキストサーチが近年行われるよ
うになっている。フルテキストサーチは検索時間が膨大
になるので、高速化の試みがなされており、有効な方法
としてプリサーチ式の多段階の検索方式がある(特開平
04−274557号公報)。この方法においては、あ
らかじめデータベース中の各文書にどういう文字が含ま
れるかを記述した文字成分表、及び各文書から助詞を除
いた凝縮本文を作成しておき、検索時には、最初に文字
成分表による絞り込み、次に凝縮本文に対する検索によ
って絞り込みを行い、最後に絞り込んだ文書に対してオ
ートマトンを用いて厳密検索を行う。On the other hand, as a third conventional technique, in general document database searches, full-text searches have recently been performed in place of searches for registered keywords. Since the full-text search requires a huge amount of search time, attempts have been made to speed it up, and an effective method is a pre-search type multi-stage search method (Japanese Patent Laid-Open No. 04-274557). In this method, a character component table that describes what characters are included in each document in the database and a condensed text in which particles are removed from each document are created in advance, and when searching, first use the character component table. Narrow down, then narrow down the condensed text, and use the automaton for the last narrowed down document.
【0005】[0005]
【発明が解決しようとする課題】上記第1の従来技術で
あるSmith−Watermanの方法による検索の
特徴は、閾値として設けたスコアの値を変化させること
によって、誤り許容の範囲を変化させることができる点
である。閾値のスコア値を小さめにとれば、例えば全く
異なる種類のDNA間の類似度に基づいた検索が可能で
ある。逆に閾値のスコア値を大きめにとれば、DNA配
列の精度程度の誤りを許容した検索、すなわち同一性検
索が可能になる。本方法においては、文字の一致や不一
致、欠失、挿入を考慮した類似度検索が可能である。欠
点としては、一回の配列どうしの比較において、配列長
の二乗に比例した回数の文字の比較が行われ、大規模な
データベースに対しては検索時間が膨大になるという問
題があることである。The feature of the search by the Smith-Waterman method, which is the first conventional technique, is that the range of error tolerance can be changed by changing the value of the score provided as the threshold value. This is a point that can If the threshold score value is set to be small, for example, a search based on the similarity between DNAs of completely different types can be performed. On the contrary, if the threshold score value is set to a large value, a search that allows an error in the accuracy of the DNA sequence, that is, an identity search can be performed. In this method, it is possible to perform similarity search considering character matching, mismatching, deletion, and insertion. The disadvantage is that when comparing sequences one time, characters are compared the number of times proportional to the square of the sequence length, which results in a huge search time for a large database. .
【0006】上記第2の従来技術であるFASTA法に
おいても、第1段階の検索におけるスコア閾値の大小を
調整することによって、類似度検索と相同性検索の両方
に使用が可能である。FASTAでは、第1段階の検索
で部分的な一致も存在しない無関係な配列をふるい落と
して、厳密に検索する配列数を絞り込むことによって高
速化を達成している。FASTAによるGenBank
全体の検索速度は大型計算機数を用いた場合数分程度で
ある。このようにFASTAでは、かなり実用的に高速
な検索が達成されているが、不十分な点として第1段階
の検索においてある程度の検索もれがあることが知られ
ている。FASTAでは、部分的な一致度が平均的に悪
くても全体的には一致度が高いような配列を落とす可能
性がある。もれをなくすためにスコア閾値を下げると、
絞り込みの効率が悪くなり全体の検索速度が遅くなると
いう問題があった。The FASTA method, which is the second conventional technique, can also be used for both similarity search and homology search by adjusting the size of the score threshold in the first-stage search. In FASTA, in the first-stage search, irrelevant sequences that do not have partial matches are filtered out, and the number of sequences to be searched is strictly narrowed down to achieve high speed. GenBank by FASTA
The overall search speed is about a few minutes when using a large number of computers. As described above, FASTA has achieved a fairly practical high-speed search, but it is known that the search is not complete enough in the first-stage search. In FASTA, there is a possibility that a sequence having a high degree of coincidence may be dropped even if the degree of coincidence is partially poor on average. If you lower the score threshold to eliminate leaks,
There was a problem that the efficiency of narrowing down became poor and the overall search speed slowed down.
【0007】上記第3の従来技術の方法の特徴の一つ
は、各段階の絞り込みにおいて検索もれがないというこ
とである。また、各段階の絞り込みによって関係のない
多くの文書を振り落とし、時間のかかる厳密な検索を行
う回数を削減することによって、高速な検索を可能にし
ている。しかし、この方法は一般的な文書に対して、検
索文あるいは検索文から一定の規則で派生させた文が完
全一致するものしか検索が行えないという問題があっ
た。従って、DNA塩基配列等の実験誤差に基づく確率
的な誤りを含む文字列からなるデータベースに対して
は、それらの誤りを許容した上での検索を行うことがで
きなかった。One of the characteristics of the third prior art method is that there is no omission of search in each stage of narrowing down. In addition, by narrowing down many unrelated documents by narrowing down each step and reducing the number of time-consuming strict searches, high-speed searches are possible. However, this method has a problem in that a general document can be searched only when the search sentence or a sentence derived from the search sentence by a certain rule is completely matched. Therefore, it was not possible to perform a search on a database consisting of a character string containing a stochastic error based on an experimental error such as a DNA base sequence while allowing those errors.
【0008】本発明の目的は、上記で説明した問題を解
決し、実用規模の文字配列データベース、特にDNA塩
基配列やアミノ酸配列の公共データベースを対象とした
場合でも、実用上許容し得る充分短い検索時間で、検索
もれのない検索結果が得られ、配列の全文字列を検索対
象とする、誤りを許容する文字配列検索方法を提供する
ことにある。The object of the present invention is to solve the above-mentioned problems, and to search for a character sequence database on a practical scale, in particular, a public database of DNA base sequences and amino acid sequences, which is sufficiently short for practical use. An object of the present invention is to provide an error-prone character array search method in which a search result can be obtained in a timely manner and all character strings in an array are searched.
【0009】[0009]
【課題を解決するための手段】本発明の特徴は、以下の
(1)から(6)の各処理ステップを含む第1の文字配
列検索方法にある。A feature of the present invention resides in a first character array searching method including the following processing steps (1) to (6).
【0010】(1) 文字配列データを格納するステッ
プ。(1) A step of storing character array data.
【0011】(2) 前記登録文字配列中に含まれる所
定の長さ(kとする)の連続する部分文字配列を重複な
く含み、これら部分文字配列に関する情報を表す文字配
列成分表を作成するステップ。(2) A step of creating a character array component table that includes consecutive partial character arrays of a predetermined length (k) included in the registered character array without duplication and that represents information regarding these partial character arrays. .
【0012】(3) 登録文字配列と文字配列成分表を
合わせて文字配列データベースへ登録するステップ。(3) A step of registering the registered character array and the character array component table together in the character array database.
【0013】(4) 検索者が指定した検索文字配列中
に含まれる所定の長さ(k)の文字配列から、所定の方
法により検索文字配列の部分集合を抽出するステップ。(4) A step of extracting a subset of the search character array by a predetermined method from the character array of a predetermined length (k) included in the search character array designated by the searcher.
【0014】(5) 所定の誤り許容率によって定めら
れる一定数よりも多く部分集合の中の文字配列を含む登
録文字配列を、文字配列成分表を参照して、誤り許容率
の以内の文字配列を抽出するための文字配列成分表をサ
ーチするステップ。(5) By referring to the character array component table, the registered character array containing more than a certain number of character arrays defined by the predetermined error tolerance rate is referred to by the character array component table. Searching the character array component table for extracting
【0015】(6) 文字配列成分表をサーチするステ
ップにより得られた登録文字配列を参照して、誤り許容
率の以内の登録文字配列を抽出するための文字配列をサ
ーチするステップ。(6) Referring to the registered character array obtained in the step of searching the character array component table, a step of searching a character array for extracting a registered character array within the error tolerance rate.
【0016】また、本発明の特徴は、以下の(1)から
(6)の各処理ステップを含む第2の文字配列検索方法
にある。A feature of the present invention is a second character array search method including the following processing steps (1) to (6).
【0017】(1) 文字配列データを格納するステッ
プ。(1) A step of storing character array data.
【0018】(2) 登録文字配列中に含まれる所定の
長さ(kとする)の連続する部分文字配列を重複なく含
み、これら部分文字配列に関する情報を表す文字配列成
分表を作成するステップ。(2) A step of creating a character array component table that includes consecutive partial character arrays of a predetermined length (k) included in the registered character array without duplication and that represents information regarding these partial character arrays.
【0019】(3) 登録文字配列と文字配列成分表を
合わせて文字配列データベースへ登録するステップ。(3) A step of registering the registered character array and the character array component table together in the character array database.
【0020】(4) 検索者が指定した検索文字配列か
ら、所定の長さ(k)の部分文字配列を所定の方法に基
づいて抽出し、要素の異なる複数の部分集合を作成する
ステップ。(4) A step of extracting a partial character array having a predetermined length (k) from a search character array designated by the searcher based on a predetermined method to create a plurality of subsets having different elements.
【0021】(5) 所定の誤り許容率によって定めら
れる一定数よりも多く各部分集合中の部分文字配列を含
む登録文字配列を、文字配列データベースから抽出する
ために、複数の部分集合の全てにおいて予め作成された
文字配列成分表をサーチするステップ。(5) In order to extract a registered character array including a partial character array in each subset from a character array database in a number larger than a fixed number determined by a predetermined error tolerance rate, in all of the plurality of subsets. Searching a character array component table created in advance.
【0022】(6) 文字配列成分表をサーチするステ
ップにより得られた登録文字配列を参照して、誤り許容
率の以内の登録文字配列を抽出するための文字配列をサ
ーチするステップ。(6) A step of searching a character array for extracting a registered character array within the error tolerance by referring to the registered character array obtained in the step of searching the character array component table.
【0023】さらに、本発明の特徴は、以下の(1)か
ら(6)の各処理ステップを含む第3の文字配列検索方
法にある。Further, a feature of the present invention resides in a third character array search method including the following processing steps (1) to (6).
【0024】(1) 文字配列データを格納するステッ
プ。(1) A step of storing character array data.
【0025】(2) 登録文字配列から抽出した所定の
長さ(kとする)の連続する部分文字配列毎の出現情報
を表す、長さkの異なる複数の文字配列成分表を作成す
るステップ。(2) A step of creating a plurality of character array component tables having different lengths k, which represent appearance information for each continuous partial character array having a predetermined length (k) extracted from the registered character array.
【0026】(3) 登録文字配列と文字配列成分表を
合わせて文字配列データベースへ登録するステップ。(3) A step of registering the registered character array and the character array component table together in the character array database.
【0027】(4) 検索者が指定した検索文字配列か
ら、複数の所定の長さ(k)の部分文字配列を所定の方
法に基づいて抽出し、要素の異なる複数個の部分集合を
作成するステップ。(4) A plurality of partial character arrays having a predetermined length (k) are extracted from the search character array designated by the searcher based on a predetermined method to create a plurality of subsets having different elements. Step.
【0028】(5) 所定の誤り許容率によって定めら
れる一定数よりも多く各部分集合中の部分文字配列を含
む登録文字配列を、文字配列データベースから抽出する
ために、複数の部分集合の全てにおいて予め作成された
文字配列成分表をサーチするステップ。(5) In order to extract a registered character array containing a partial character array in each subset from a character array database in excess of a fixed number determined by a predetermined error tolerance rate, in all of the plurality of subsets. Searching a character array component table created in advance.
【0029】(6) 文字配列成分表をサーチするステ
ップにより得られた登録文字配列を参照して、誤り許容
率の以内の登録文字配列を抽出するための文字配列をサ
ーチするステップ。(6) A step of searching a character array for extracting a registered character array within the error tolerance rate with reference to the registered character array obtained in the step of searching the character array component table.
【0030】以上の、第1から第3の文字配列検索方法
において、上記ステップ中の(1)、(2)において文
字配列の両末端を接続した環状の文字配列に対して同様
の処理を行い、(3)から(6)のステップを同様に行
うことにも特徴がある。In the above first to third character array retrieval methods, the same processing is performed on the circular character array connecting both ends of the character array in (1) and (2) in the above step. , (3) to (6) are similarly performed.
【0031】[0031]
【作用】所定の長さの文字配列が登録された文字配列成
分表の検索によって絞り込みを行い、その後文字配列検
索を行う階層型プリサーチ手段を設けること、また、文
字配列成分表の検索による絞り込みのさい、検索文字配
列中の文字配列の中から部分集合を抽出し、部分集合を
用いて文字配列成分表をサーチする際のヒット配列成分
数の基準として、検索者が予め与える誤り許容率を基に
決定される数を用いることによって、与えられた検索文
字配列から誤り許容率を超えて異なった文字配列を、文
字配列を参照する以前に切り捨てて、検索対象の文字配
列を検索する量を少なくすることができる。すなわち、
検索処理時間に占める割合が高い文字配列の検索に要す
る処理時間を減らすことによって、全体の検索に要する
処理時間を短縮し、与えられた検索文字配列から誤り許
容率以内の文字配列をもれなく検索することが可能であ
る。また、検索文字配列の両末端を接続した環状の文字
配列を、文字配列の両末端を接続した環状の文字配列に
対して作成した文字成分表に対してサーチすることによ
って、絞り込み率をさらに向上させ、検索時間を短縮す
ることが可能である。[Function] A hierarchical pre-search means for narrowing down by searching a character array component table in which a character array of a predetermined length is registered, and then performing a character array search, and narrowing down by searching the character array component table When extracting a subset from the character array in the search character array and searching the character array component table using the subset, the error tolerance rate given in advance by the searcher is used as the criterion for the number of hit array components. By using the number determined based on this, the character array that differs from the given search character array by exceeding the error tolerance is truncated before referring to the character array, and the amount to search the character array to be searched is set. Can be reduced. That is,
By reducing the processing time required to search for character arrays that occupy a high proportion of the search processing time, the processing time required for the entire search is shortened, and all character arrays within the error tolerance rate are searched from the given search character array. It is possible. In addition, the narrowing rate is further improved by searching for a circular character array in which both ends of the search character sequence are connected to a character component table created for a circular character sequence in which both ends of the character sequence are connected. It is possible to shorten the search time.
【0032】また、文字配列成分表を参照した検索を行
う際に、所定の方法によって要素の異なる部分集合を複
数個作成して、それぞれの部分集合を用いて検索を行な
い、その全ての部分集合に対して検索条件を満たす登録
文字配列を選びだす方法を用いることにより、文字配列
成分表検索において文字配列をより絞り込むことがで
き、文字配列自体を参照する検索を行う文字配列数を減
少できる。従って、複数個の部分集合を作成して検索に
用いる方法では、検索処理時間をより短縮できる。ま
た、検索文字配列の両末端を接続した環状の文字配列か
ら作成した要素の異なる複数の部分文字配列からなる部
分集合を、文字配列の両末端を接続した文字配列から作
成した文字配列成分表に対して検索を行うことによっ
て、さらに絞り込み率を改善させ、検索時間を短縮でき
る。Further, when performing a search with reference to the character array component table, a plurality of subsets having different elements are created by a predetermined method, the search is performed using each subset, and all the subsets are searched. On the other hand, by using the method of selecting a registered character array satisfying the search condition, the character array can be narrowed down in the character array component table search, and the number of character arrays to be searched by referring to the character array itself can be reduced. Therefore, in the method of creating a plurality of subsets and using them for the search, the search processing time can be further shortened. In addition, a subset consisting of multiple partial character arrays with different elements created from a circular character array that connects both ends of the search character array is added to the character array component table created from the character array that connects both ends of the character array. By performing a search on the other hand, the narrowing rate can be further improved and the search time can be shortened.
【0033】[0033]
【実施例】以下、本発明の文字配列検索方法が適用され
る文字配列検索装置と実施例について説明する。 (実施例1)以下、本発明の第1の実施例について図1
を用いて説明する。本装置は、ディスプレイ100、キ
ーボード101、中央制御装置CPU102、文字配列
成分表104と文字配列103の格納用ファイル10
6、フロッピーディスクドライバ105、主メモリ20
0から構成される。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS A character array searching apparatus and an embodiment to which the character array searching method of the present invention is applied will be described below. (Embodiment 1) Hereinafter, a first embodiment of the present invention will be described with reference to FIG.
Will be explained. This device includes a display 100, a keyboard 101, a central control unit CPU 102, a character array component table 104, and a storage file 10 for a character array 103.
6, floppy disk driver 105, main memory 20
It consists of zero.
【0034】主メモリ200には、文字配列登録プログ
ラム201、文字配列成分表作成登録プログラム20
2、誤り許容文字配列成分表サーチプログラム203、
誤り許容文字配列サーチプログラム204、階層検索制
御プログラム206が格納されると共に、データエリア
205が確保されている。これらのプログラムはCPU
102で実行される。The main memory 200 includes a character array registration program 201 and a character array component table creation registration program 20.
2. Error tolerance character array component table search program 203,
The error tolerance character array search program 204 and the hierarchical search control program 206 are stored, and the data area 205 is secured. These programs are CPU
At 102.
【0035】文字配列の登録の際には、キーボード10
1から入力されるコマンドにより、CPU102がフロ
ッピーディスクドライバ105に挿入されるフロッピー
ディスク107から文字配列を読み込み、文字配列登録
プログラム201を実行して読み込んだ文字配列データ
を文字配列103としてファイル106へ格納する。次
にCPU102は、文字配列成分表作成登録プログラム
202を実行して、文字配列103中で用いられている
所定の長さの文字成分を重複なく集めた文字配列成分表
を作成し、これを文字配列成分表104としてファイル
106へ格納する。When registering the character arrangement, the keyboard 10
The CPU 102 reads a character array from the floppy disk 107 inserted into the floppy disk driver 105 in response to a command input from 1 and executes the character array registration program 201 to store the read character array data in the file 106 as the character array 103. To do. Next, the CPU 102 executes the character array component table creation / registration program 202 to create a character array component table in which character components of a predetermined length used in the character array 103 are collected without duplication, and the character array component table is created. The array component table 104 is stored in the file 106.
【0036】検索の際には、キーボード101から入力
された検索文字配列、及び検索誤りの許容率が、CPU
102に送られる。CPU102では、まず階層検索制
御プログラム206を実行し、その制御に基づいて文字
配列成分表サーチプログラム203、文字配列サーチプ
ログラム204を順次実行する。文字配列成分表サーチ
では、検索誤りの許容率に基づいて検索文字配列中の文
字配列成分が所定の数以上含まれる文字配列のみを抽出
する。そして、文字配列成分表サーチで抽出された文字
配列に対する文字配列サーチを行い、検索誤りの許容率
を満たすもののみを抽出し、検索結果として出力する。
以上が本発明の文字配列検索方法を実行する文字配列検
索装置の概略である。At the time of retrieval, the retrieval character arrangement input from the keyboard 101 and the retrieval error tolerance are determined by the CPU.
Sent to 102. The CPU 102 first executes the hierarchical search control program 206, and sequentially executes the character array component table search program 203 and the character array search program 204 based on the control. In the character array component table search, only character arrays in which a predetermined number or more of character array components in the search character array are included are extracted based on the search error tolerance. Then, a character array search is performed on the character array extracted by the character array component table search, and only those satisfying the search error tolerance rate are extracted and output as a search result.
The above is the outline of the character array search device that executes the character array search method of the present invention.
【0037】以下、本発明の特徴である誤りを許容した
文字配列成分表サーチと文字配列サーチ及びそれらの階
層型プリサーチ方式の登録及び検索方法について、誤り
許容検索が重要になる典型的な例として、DNA塩基配
列の検索を例にとって説明する。図2にDNA塩基配列
の登録、及び文字配列成分表の作成登録の処理内容を示
す。まず、DNA塩基配列1、2、…NのDNA塩基配
列自体の登録300を行う。DNAの塩基配列は、図2
に示したようにアデニンA、シトシンC、グアニンG、
チミンTの4種類の塩基文字の並びで表わせられる。次
に、登録したDNA塩基配列からの文字配列成分の抽出
301を行う。DNA塩基配列からの文字配列成分の抽
出は、図2中に示したように、所定の一定の長さ(この
場合6塩基長とする)の塩基配列成分を、DNA塩基配
列の一方の末端からもう一方の末端に達するまで、1塩
基ずつずらして抽出していくことによって行われる。次
に、このように抽出した塩基配列成分を用いてDNA塩
基配列文字成分表作成302を行う。DNA塩基配列文
字成分表は、可能な全ての塩基配列成分種(この場合は
6塩基長文字配列成分であるから、成分種の数は4の6
乗=4096)に対する1ビットの情報で表現される。
すなわち、DNA塩基配列文字成分表中で抽出された塩
基配列成分に対応する項に’1’を設定し、それ以外の
項に’0’を設定する。図2中の例では、DNA塩基配
列iには塩基配列成分AAAAAAは存在しないので、
塩基配列文字成分表中のAAAAAAの項には’0’が
設定される。また、塩基配列成分AAAAAC、AAA
ACC、TTTTTTは存在するので、DNA塩基配列
文字成分表中のAAAAAC、AAAACC、TTTT
TTの項には’1’が設定される。最後に、このように
して作成されたDNA塩基配列文字成分表のデータベー
スへの登録304を行う。The following is a typical example in which the error tolerant search is important for the character array component table search and the character array search that allow the error, which is a feature of the present invention, and the registration and search methods of their hierarchical pre-search methods. As an example, a search for a DNA base sequence will be described. FIG. 2 shows the processing contents of registration of a DNA base sequence and creation and registration of a character sequence component table. First, the registration 300 of the DNA base sequences of DNA base sequences 1, 2, ... N is performed. The base sequence of DNA is shown in FIG.
Adenine A, cytosine C, guanine G,
It is represented by a sequence of four types of base characters, thymine T. Next, extraction 301 of the character sequence component from the registered DNA base sequence is performed. Extraction of a character sequence component from a DNA base sequence is performed by extracting a base sequence component having a predetermined fixed length (6 bases in this case) from one end of the DNA base sequence as shown in FIG. The extraction is performed by shifting by one base until the other end is reached. Next, a DNA base sequence character component table creation 302 is performed using the base sequence components extracted in this way. The DNA base sequence character component table shows all possible base sequence component types (in this case, 6 base length character sequence components, so the number of component types is 4).
It is represented by 1-bit information for power = 4096).
That is, "1" is set to the item corresponding to the base sequence component extracted in the DNA base sequence character component table, and "0" is set to the other items. In the example shown in FIG. 2, since the base sequence component AAAAAA does not exist in the DNA base sequence i,
'0' is set in the item AAAAAA in the base sequence character component table. In addition, base sequence components AAAAAAC, AAA
Since ACC and TTTTTT are present, AAAAAAC, AAAACC, TTTT in the DNA base sequence character component table
“1” is set in the TT term. Finally, the DNA base sequence character component table thus created is registered 304 in the database.
【0038】検索時には、図3に示したように作成した
DNA塩基配列文字成分表を参照して検索を行う。ま
ず、検索塩基配列と検索時の誤り許容率mの入力400
を行う。検索時の誤り許容率mは、入力された検索塩基
配列、及びデータベース中の塩基配列の精度に応じて設
定する。塩基配列決定時の実験データの読み取り誤差に
よって、実際の塩基配列と決定された塩基配列の間に相
違が存在することが知られている。塩基配列の精度は、
この相違の度合いによって決定される。従って、予め塩
基配列の精度情報を実験によって得ておき、それを用い
て検索時の誤り許容率を決定すればよい。塩基配列の精
度は塩基配列決定実験の方法等に依存するが、同一性の
判定を行うには、誤り許容率として5〜10%以下の値
を設定すればよい。次に、検索配列からの配列成分の抽
出401を行う。配列長がNkの検索配列に対して、k
塩基長(図中では6塩基長)の配列成分を一方の末端を
出発点としてk塩基長ずつずらしながら、すなわち重複
や間隙を許さずに、もう一方の末端までk塩基長の文字
配列成分が得られる限り抽出を行う。抽出配列成分に
は、抽出の順に番号(i=1からi=Neまで)を付与
する。次に抽出された配列成分を用いて、すでに登録さ
れているDNA塩基配列成分表に対する検索402を行
う。この検索は次のようにして行う。まず図3に示すよ
うに、DNA塩基配列成分表において、検索配列から抽
出された配列成分種に対応する項の値fiを、抽出配列
成分の全てについて(すなわちi=1からi=Neま
で)和をとったものをSとする。検索ヒット条件は、S
の値がNe−m・Nkと等しいか大きい場合と表現され
る。検索誤りの個数が一定として、検索配列から抽出さ
れた配列成分種の内fiが0の文字成分の個数が最大に
なるのは、各文字成分上に誤りが一個ずつ分布した場合
である。これから、誤り許容率以下の分だけすなわちm
・Nk個以下の誤りがある場合には、fiが0の配列成分
個数の最大値は、m・Nk個になる。従って、配列成分
種の個数Neからm・Nkを引いた値を検索ヒットの閾値
に設定しておけば、誤り許容率以下の誤りがある場合は
全て検索ヒット条件を満たし、もれなく検索できること
になる。At the time of search, the search is performed by referring to the DNA base sequence character component table created as shown in FIG. First, input 400 of search base sequence and error tolerance rate m at the time of search
I do. The error tolerance rate m at the time of search is set according to the accuracy of the input search base sequence and the base sequence in the database. It is known that there is a difference between the actual base sequence and the determined base sequence due to an error in reading the experimental data when determining the base sequence. The accuracy of the base sequence is
It is determined by the degree of this difference. Therefore, the accuracy information of the base sequence may be obtained in advance by an experiment, and the error tolerance rate at the time of searching may be determined using the accuracy information. Although the accuracy of the base sequence depends on the method of the base sequence determination experiment and the like, in order to determine the identity, a value of 5 to 10% or less may be set as the error tolerance rate. Next, extraction 401 of array components from the search array is performed. For a search sequence with a sequence length of N k , k
While shifting a sequence component of base length (6 base length in the figure) by k base length from one end as a starting point, that is, a character sequence component of k base length to the other end without allowing duplication or gap. Extract as much as possible. Numbers (i = 1 to i = N e ) are given to the extracted array components in the order of extraction. Next, using the extracted sequence components, a search 402 is performed on the already registered DNA base sequence component table. This search is performed as follows. First, as shown in FIG. 3, in the DNA base sequence component table, the value f i of the term corresponding to the sequence component species extracted from the search sequence is calculated for all the extracted sequence components (that is, from i = 1 to i = N e). ) Let the sum be S. Search hit condition is S
Is expressed as the case where the value of is equal to or larger than N e −m · N k . When the number of search errors is constant, the maximum number of character components with fi of 0 out of the array component types extracted from the search array is when one error is distributed on each character component. From this, only the amount less than the error tolerance rate, that is, m
When there are N k or less errors, the maximum number of array components with fi = 0 is m · N k . Therefore, if a value obtained by subtracting m · N k from the number of array component species N e is set as the search hit threshold value, all the search hit conditions are satisfied when there are errors below the error tolerance rate, and search can be performed without omission. become.
【0039】このようにしてDNA塩基配列成分表によ
って検索された塩基配列は、次にその配列自身による検
索403が行われ、検索結果404が出力される。ここ
では、ダイナミックプログラミングに基づいたSmit
h−Watermanの方法による配列間のスコア計算
を用いるのが適当である。Smith−Waterma
nの方法は、配列文字の欠失、挿入、置換、マッチに対
して適当なスコア値を与えて配列間の並置を行い、スコ
ア値の総計が最大になるような並置を求める方法であ
る。そのような並置におけるスコア値を二つの配列間の
類似度の指標に用いることによって、誤り許容率以下の
塩基配列を正しく検索することができる。このように本
実施例においては、検索塩基配列とデータベース中塩基
配列の配列成分間の一致度を基準にした塩基配列成分表
による検索がまず行われ、一定の誤りを許容した上で関
係のない多くの塩基配列がふるいにかけられる。こうし
て絞り込まれた塩基配列のみを、時間はかかるが正確な
検索が可能なSmith−Watermanの方法によ
って検索を行う。こうすることによって、高速で、かつ
誤りを許容したもれのない検索が実現可能である。以下
では、どの程度の高速化が可能かを見積るために、検索
速度を決定する大きな因子であるDNA塩基配列成分表
検索による絞り込み率の評価を行う。同一の塩基配列が
多数含まれているようなデータベースを検索する場合
は、絞り込み率はデータベース中の同一塩基配列の個数
に依存する。そこでここでは、データベースが互いに無
関係な塩基配列で構成されており、検索塩基配列とヒッ
トする塩基配列はデータベース中に存在しない場合を考
える。こうすることによって、無関係な塩基配列が塩基
配列成分表による検索で偶然ヒットする、すなわち検索
ノイズが生じる確率を評価することが可能となる。この
ような系のモデルとして次のような系を考える。The base sequence thus searched by the DNA base sequence component table is then searched 403 by the sequence itself, and a search result 404 is output. Here, Smit based on dynamic programming
Suitably, a score calculation between sequences by the method of h-Waterman is used. Smith-Waterma
The method of n is a method in which an appropriate score value is given for deletion, insertion, substitution, and matching of sequence letters to align the sequences, and the alignment that maximizes the total score value is obtained. By using the score value in such juxtaposition as an index of the degree of similarity between two sequences, it is possible to correctly search for a base sequence having an error tolerance rate or less. As described above, in this example, the search is first performed by the base sequence component table based on the degree of coincidence between the search base sequence and the sequence component of the base sequence in the database, and it is irrelevant after allowing a certain error. Many base sequences are screened. Only the base sequences thus narrowed down are searched by the Smith-Waterman method, which requires a long time but allows accurate searching. By doing so, it is possible to realize a fast and leak-free search. In the following, in order to estimate how high the speed can be increased, the narrowing rate is evaluated by the DNA base sequence component table search, which is a major factor that determines the search speed. When searching a database that contains a large number of identical base sequences, the narrowing rate depends on the number of identical base sequences in the database. Therefore, here, it is considered that the database is composed of unrelated base sequences, and the searched base sequence and the hit base sequence do not exist in the database. By doing so, it is possible to evaluate the probability that an irrelevant base sequence accidentally hits in the search by the base sequence component table, that is, a search noise occurs. Consider the following system as a model of such a system.
【0040】(1) データベース中の塩基配列は長さ
が一定長Ndでランダムな配列を考える。(1) The base sequence in the database is a random sequence having a constant length N d .
【0041】(2) 検索配列は長さが一定長Nkでラ
ンダムな配列を考える。(2) The search sequence is a random sequence having a constant length N k .
【0042】この場合の絞り込み率RSは、以下のよう
に計算される。塩基配列成分表中の各配列における’
1’が設定されている配列成分種の数が最大になるの
は、各配列中の配列成分間に重複が全くない場合であ
り、この最大値は塩基配列から抽出される配列成分数N
pで与えられる。Np=Nd−k+1であるから、Nd=2
50(通常塩基配列決定で得られる塩基配列長は250
以上の場合が多い)、k=6の場合は、Np=245に
なる。一方、塩基配列成分表中の配列成分種の総数、N
aは4のk乗であり、k=6の場合はNa=4096であ
る。従って、ランダムな検索塩基配列から抽出された1
個の配列成分が配列成分表中の’1’に偶然ヒットする
確率Pは、高々Np/Naであり、この場合はP≦Np/
Na=245/4096≒0.06となる。Np≪Naの
場合は塩基配列中の配列成分間の重複がほとんどないと
考えられるから、P≒Np/Na=0.06とみなしてよ
い。絞り込み率RSは、検索塩基配列から抽出される配
列成分(個数Ne)の内、検索閾値であるNe−m・Nk
個以上の配列成分が配列成分表中の’1’に偶然ヒット
する確率として与えられる。これは、確率Pの事象がN
e回の試行の内Ne−m・Nk回以上生じる確率であるか
ら、次のようなポアソン分布の和で表すことができる。The narrowing rate R S in this case is calculated as follows. 'In each sequence in the nucleotide sequence composition table
The maximum number of sequence component types for which 1'is set is when there is no overlap between the sequence components in each sequence, and this maximum value is the number N of sequence components extracted from the base sequence.
given by p . Since N p = N d −k + 1, N d = 2
50 (usually the base sequence length obtained by base sequencing is 250
In many cases above, and when k = 6, N p = 245. On the other hand, the total number of sequence component species in the base sequence component table, N
a is the 4th power of k, and when k = 6, N a = 4096. Therefore, 1 extracted from the random search base sequence
The probability P that one sequence component accidentally hits '1' in the sequence component table is at most N p / N a , and in this case P ≦ N p /
N a = 245 / 4096≈0.06. In the case of N p << N a , it is considered that there is almost no overlap between the sequence components in the base sequence, so it may be considered that P≈N p / N a = 0.06. The narrowing rate R S is a search threshold value N e −m · N k among the sequence components (the number N e ) extracted from the search base sequence.
It is given as the probability that more than one sequence component accidentally hits "1" in the sequence component table. This is because the event with probability P is N
Since it is a probability that N e −m · N k times or more occur in e trials, it can be expressed by the following Poisson distribution sum.
【0043】[0043]
【数1】 [Equation 1]
【0044】検索塩基配列から抽出される配列成分数N
eは、Nkをkで割った商で与えられるので、Nk=25
0、k=6の場合は、Ne=250/6=41となる。
誤り許容率mを10%として、P=0.06、Ne=4
1、Nk=250、k=6を(数1)に代入するとRS≒
6.5×10-10となる。この場合の検索時間を見積る
と、以下のようになる。Smith−Waterman
の方法による検索時間tdpは、(数2)に示すように、
tdp0を比例定数としてNkとNd、及びデータベース中
の塩基配列数Nの積に比例する。Number N of sequence components extracted from the searched base sequence
Since e is given by the quotient of N k divided by k , N k = 25
When 0 and k = 6, N e = 250/6 = 41.
If the error tolerance m is 10%, P = 0.06, N e = 4
Substituting 1, N k = 250, k = 6 into (Equation 1), R S ≈
It becomes 6.5 × 10 -10 . The estimated search time in this case is as follows. Smith-Waterman
The search time t dp by the method of
It is proportional to the product of N k and N d , and the number of base sequences N in the database, where t dp0 is a proportional constant.
【0045】[0045]
【数2】 [Equation 2]
【0046】一方、本方法における検索時間tは、配列
成分表による検索時間ttbと、絞り込まれた配列に対す
る、Smith−Watermanの方法による検索時
間、tdp’の和で表すことができる。ここで、ttbはt
0を比例定数としてNk/kとNに比例すること、及びt
dp’がtdpと絞り込み率RSの積であることを考慮すれ
ば、tは(数3)で表すことができる。On the other hand, the search time t in this method can be represented by the sum of the search time t tb by the array component table and the search time t dp ′ by the Smith-Waterman method for the narrowed array. Where t tb is t
Proportional to N k / k and N, where 0 is a proportionality constant, and t
Considering that dp 'is the product of t dp and the narrowing rate R S , t can be expressed by (Equation 3).
【0047】[0047]
【数3】 [Equation 3]
【0048】ここで、tdp0≒t0と仮定すれば、RSが
1/k・Ndより小さい場合は、t≒t0・N・Nk/k
と近似することが可能である。今考えている状況では1
/k・Nd≒1/6・250≒0.001で、RS≒6.
5×10-10であるからこの近似が成立し、tとtdpの
比は(数4)で表すことができる。Assuming that t dp0 ≈t 0 , if R S is smaller than 1 / k · N d , then t ≈t 0 · N · N k / k
Can be approximated. 1 in the situation I am thinking
/ K · N d ≈1 / 6 · 250≈0.001 and R S ≈6.
Since this is 5 × 10 −10 , this approximation holds, and the ratio of t to t dp can be expressed by ( Equation 4).
【0049】[0049]
【数4】 [Equation 4]
【0050】このように、本方法を用いれば、Smit
h−Watermanの方法に比べて1000分の1程
度の検索時間でデータベースの検索が可能である。この
高速化は、主に配列成分表検索による絞り込みに依存し
ている。絞り込み率が1/k・Ndより大きくなると、
t/tdp≒RSとなり、検索時間は絞り込み率に比例し
て増大する。Thus, using this method, Smit
The database can be searched in a search time of about 1/1000 as compared with the h-Waterman method. This speedup mainly depends on the narrowing down by the array component table search. When the narrowing ratio becomes larger than 1 / k · N d ,
Since t / t dp ≈R S , the search time increases in proportion to the narrowing rate.
【0051】次に、Nk=Nd=Nkd、m=10%とし
て、Nkd=100〜1000に対して、k=4〜8と変
化させた場合のRSの計算結果を図4に示した。このよ
うに塩基長Nkdのそれぞれに対して絞り込み率を最小に
するkの値kmが存在することがわかる。Nkd=10
0、Nkd=250、Nkd=500、Nkd=1000に対
するkmは、それぞれk=6、7、7、8である。Nkd
=100、Nkd=250に対してはk=5、6、7、8
でRSが0.001以下になることがわかる。一方、N
kd=500、Nkd=1000に対してはk=6、7、8
でRSが0.001以下になることがわかる。kの値を
大きくすると、配列成分表検索時間がそれに比例して短
くなるが、必要なメモリ量が増大する。従って、データ
ベースの規模に応じて上記の範囲内でkを設定すればよ
い。Next, the calculation result of R S when N k = N d = N kd and m = 10% and k k = 4 to 8 for N kd = 100 to 1000 is shown in FIG. It was shown to. Thus, it can be seen that there is a value k m of k that minimizes the narrowing rate for each base length N kd . N kd = 10
0, N kd = 250, N kd = 500, k m for N kd = 1000 are respectively k = 6,7,7,8. N kd
= 100, N kd = 250, k = 5, 6, 7, 8
It can be seen that R S becomes 0.001 or less. On the other hand, N
For kd = 500 and N kd = 1000, k = 6, 7, 8
It can be seen that R S becomes 0.001 or less. Increasing the value of k shortens the array component table search time in proportion to it, but increases the required memory amount. Therefore, k may be set within the above range according to the scale of the database.
【0052】FASTA法を用いた場合も、Smith
−Watermanの方法による検索の前に部分配列の
比較によって、絞り込みを行っている。この時のスコア
閾値を大きく選べば絞り込みを充分行うことが可能であ
るが、この場合は絞り込みによる検索もれが生じること
が知られている。本方法によれば、こうした検索もれが
生じることなしに、Smith−Watermanの方
法と比べて1000倍程度の高速な検索を実行すること
が可能になる。Even when the FASTA method is used, Smith
Narrowing is done by comparing partial sequences before searching by the Waterman method. If a large score threshold is selected at this time, it is possible to sufficiently narrow down, but in this case, it is known that search omission due to narrowing occurs. According to the present method, it is possible to execute a search that is about 1000 times faster than the Smith-Waterman method without causing such a search omission.
【0053】(実施例2)以下、本発明の第2の実施例
について図5を用いて説明する。本実施例においては、
検索塩基配列が持つ配列情報をより活用するために検索
塩基配列から配列成分を抽出する方法を一般化する。検
索配列からの配列成分の抽出500は図5中に示したよ
うに、(1)検索配列の一方の末端から、k塩基長の配
列成分を抽出し、(2)検索配列中で、開始点をks塩
基長ずらして、k塩基長の配列成分を抽出する操作を、
(3)配列成分の末端が検索配列中に収まる間繰り返
す。次に配列成分表検索における検索501が行われ
る。検索条件は以下のように設定する。検索ヒット条件
は、Sの値がNe−f(k、ks)・m・Nkと等しいか
大きい場合と表現される。ここでS、Ne、Nk、mの定
義は第1の実施例における定義と同一である。f(k、
ks)は、隣り合ったk塩基長配列成分間の重なりの部
分を考慮した因子であり、kとksの関数として(数
5)で表現される。(Second Embodiment) A second embodiment of the present invention will be described below with reference to FIG. In this embodiment,
A method for extracting sequence components from a search base sequence is generalized in order to utilize the sequence information of the search base sequence more effectively. As shown in FIG. 5, the extraction 500 of the sequence component from the search sequence is performed by (1) extracting a sequence component of k base length from one end of the search sequence, and (2) starting point in the search sequence. By shifting ks base length to extract a sequence component of k base length,
(3) Repeat while the end of the sequence component fits within the search sequence. Next, a search 501 in the array component table search is performed. The search conditions are set as follows. The search hit condition is expressed as the case where the value of S is equal to or larger than N e −f (k, ks) · m · N k . Here, the definitions of S, N e , N k , and m are the same as those in the first embodiment. f (k,
ks) is a factor that takes into consideration the overlapping portion between adjacent k base length sequence components, and is expressed by (Equation 5) as a function of k and ks.
【0054】[0054]
【数5】 [Equation 5]
【0055】関数f(k、ks)をこのように設定する
ことによって、隣り合ったk塩基長配列成分間の重なり
の部分に配列誤りが存在した場合にも、もれなく誤り許
容率m以下の塩基配列を検索することが可能になる。図
6にkがksよりも小さい場合に第1の実施例と同様な
方法で絞り込み率RSを計算した結果を示す。k=6で
ks=1〜6の各場合のRSについて誤り許容率依存性を
示した。ks=6の場合、すなわち第1の実施例と同様
の場合、誤り許容率が10%ではRS〜10-9である
が、誤り許容率が大きくなっていくとRSは急速に増大
し、誤り許容率が13%以上ではRSは0.001より
も大きくなり、検索速度が減少する。図6に示すように
ks=1、5の場合は、絞り込み率は非常に増大しksを
kよりも小さくした効果は得られない。しかし、ks=
2、3の場合は、絞り込み率は各誤り許容率において減
少している。ks=2では、m=14%でも0.001
以下の絞り込み率が得られている。ただしksが小さく
なると判定すべき配列成分数が増大し検索速度はその分
だけ減少するので、これと絞り込み率の増大率との兼ね
合いでksの値は決定すればよい。またkよりも大きな
ksを用いれば、検索ヒット条件におけるNeの値が小さ
くなり絞り込み率が大きくなるが、成分表検索速度は速
くなる。従ってこの場合、小さな誤り許容率(5%程度
以下)が使用可能であれば、絞り込み率の増大の割合も
小さいので全体としての検索速度を向上させることが可
能である。このように、本実施例においては、誤り許容
率の値に応じてksの値を適当な値に選ぶことにより、
絞り込み率を第1の実施例の場合よりも向上させるか、
あるいは成分表検索速度を向上させることによって全体
の検索速度を向上させることが可能である。By setting the function f (k, ks) in this way, even if there is a sequence error in the overlapping portion between adjacent k-base length sequence components, all the bases with an error allowance of m or less will not be missed. It will be possible to search the sequence. FIG. 6 shows the result of calculating the narrowing rate R S by the same method as in the first embodiment when k is smaller than ks. The error tolerance rate dependence is shown for R S in each case of k = 6 and ks = 1 to 6. In the case of ks = 6, that is, in the same manner as in the first embodiment, R S is 10 −9 when the error tolerance is 10%, but R S rapidly increases as the error tolerance increases. When the error tolerance is 13% or more, R S becomes larger than 0.001 and the search speed decreases. As shown in FIG. 6, in the case of ks = 1, 5, the narrowing rate is greatly increased, and the effect of making ks smaller than k cannot be obtained. However, ks =
In the cases of 2 and 3, the narrowing rate is reduced at each error tolerance rate. When ks = 2, 0.001 even when m = 14%
The following narrowing rates are obtained. However, if ks becomes smaller, the number of array components to be determined increases and the search speed decreases accordingly. Therefore, the value of ks may be determined in consideration of this and the increase rate of the narrowing rate. Further, if ks larger than k is used, the value of N e under the search hit condition becomes small and the narrowing down ratio becomes large, but the component table search speed becomes fast. Therefore, in this case, if a small error tolerance rate (about 5% or less) can be used, the rate of increase in the narrowing rate is also small, so that the search speed as a whole can be improved. As described above, in the present embodiment, the value of ks is selected to be an appropriate value according to the value of the error tolerance,
Whether to improve the narrowing rate as compared with the case of the first embodiment,
Alternatively, the overall search speed can be improved by improving the component table search speed.
【0056】(実施例3)以下、本発明の第3の実施例
について図7を用いて説明する。本実施例においては、
データベース中の塩基配列の重複を許した分割600を
行い、分割された配列に対して、DNA塩基配列成分表
を作成している。図7に示すように、配列長Ndのデー
タベース中の塩基配列に対して、所定の一定の長さNf
の配列を配列長Nsの重複を許しながら一方の末端から
抽出していき、もう一方の末端まで(最後は配列長
Nfe)繰り返す。ここでNsは使用する検索塩基配列の
配列長よりも大きい値に設定する。次に分割抽出した各
塩基配列に対する塩基配列成分表の作成601を行い、
分割抽出した各塩基配列にそれぞれの塩基配列中での通
し番号を付加して、データベースへの登録602を行
う。以下、本実施例の効果について説明する。本発明に
よってGenBank等の公共のDNAデータベースを
検索する場合、一般にデータベース中の塩基配列の配列
長の平均値は1000塩基長程度である。一方、検索に
用いる塩基配列は、DNAシーケンサーによって一度に
配列決定可能な配列の長さ程度であり、これは、200
〜400塩基長である。このように、データベース中の
塩基配列長が検索塩基配列長よりもかなり大きい場合
は、塩基配列成分表中の”1”の数が多くなり、絞り込
み率が増大することが考えられる。第1の実施例と同様
の計算方法で、絞り込み率のデータベース中塩基配列長
依存性を計算した結果を図8に示す。検索塩基配列とし
て250塩基長の場合を考え、データベース中の塩基配
列長Ndを250から1500まで変化させた。図に示
されるようにNdが750以下では絞り込み率は0.0
01程度以下であるが、Ndが1000以上では絞り込
み率は0.01以上の値になり検索時間が増大する。そ
こで本実施例に示したように、データベース中の塩基配
列をあらかじめ分割して短くしたものに対して塩基配列
成分表を作成しておけば、分割された塩基配列に対する
絞り込み率を小さく維持することが可能である。分割数
に比例して検索時間は増大するが、分割しないことによ
る絞り込み率の増大が引き起こす検索時間の増大に比べ
ると、それは非常に小さい。図8から、検索配列長が2
50以下の場合には、データベース中塩基配列の分割配
列長Nfとして例えば500〜750を設定し、重複配
列長として250〜375を設定すればよい。このよう
に設定することによって、検索配列の全体を分割された
配列の中に含ませることが可能であり、かつその際に絞
り込み率を0.001以下にすることが可能である。ヒ
ットする場合は、必ず隣り合った配列がヒットしてくる
ので、それらの元の塩基配列中の通し番号を出力すれば
よい。(Embodiment 3) A third embodiment of the present invention will be described below with reference to FIG. In this embodiment,
Division 600 that allows overlapping of base sequences in the database is performed, and a DNA base sequence component table is created for the divided sequences. As shown in FIG. 7, with respect to the base sequence in the database of sequence length N d , a predetermined constant length N f
The sequence of is extracted from one end while allowing the overlap of the sequence length N s , and repeated up to the other end (finally the sequence length N fe ). Here, N s is set to a value larger than the sequence length of the search base sequence to be used. Next, create 601 a base sequence component table for each base sequence extracted by division,
A serial number in each base sequence is added to each of the divided and extracted base sequences, and registration 602 is performed in the database. The effects of this embodiment will be described below. When searching a public DNA database such as GenBank according to the present invention, the average value of the sequence lengths of the base sequences in the database is generally about 1000 bases. On the other hand, the base sequence used for the search is about the length of a sequence that can be sequenced at once by a DNA sequencer.
~ 400 bases long. As described above, when the base sequence length in the database is considerably larger than the retrieved base sequence length, the number of "1" s in the base sequence component table increases, which may increase the narrowing rate. FIG. 8 shows the result of calculation of the base sequence length dependence of the narrowing down rate in the database by the same calculation method as in the first example. Considering the case where the search base sequence is 250 bases long, the base sequence length N d in the database was changed from 250 to 1500. As shown in the figure, when N d is 750 or less, the narrowing rate is 0.0
Although it is about 01 or less, when N d is 1000 or more, the narrowing rate becomes a value of 0.01 or more, and the search time increases. Therefore, as shown in the present example, if the base sequence component table is created for the base sequence in the database that is divided and shortened in advance, the narrowing down rate for the divided base sequence can be kept small. Is possible. The search time increases in proportion to the number of divisions, but is much smaller than the increase in search time caused by the increase in the narrowing rate due to not dividing. From Fig. 8, the search sequence length is 2
In the case of 50 or less, for example, 500 to 750 may be set as the divided sequence length N f of the base sequence in the database, and 250 to 375 may be set as the overlapping sequence length. By setting in this way, the entire search sequence can be included in the divided sequence, and at that time, the narrowing rate can be 0.001 or less. When there is a hit, adjacent sequences are always hit, so it is sufficient to output the serial numbers in their original base sequences.
【0057】(実施例4)以下、本発明の第4の実施例
について図9を用いて説明する。本実施例においては、
検索塩基配列、及びデータベース中の塩基配列から配列
成分を抽出する際に、配列末端の情報を有効に利用して
いる。検索塩基配列からの抽出の場合は図9(a)に示
すように、検索塩基配列の一方の末端から出発して配列
成分を抽出していく際に、もう一方の末端に検索塩基配
列の最初の末端を接続した塩基配列を考え、この接続点
を含む全ての成分を含めて配列成分の抽出を行う。デー
タベース中の塩基配列からの抽出の場合も図9(b)に
示すように、塩基配列の一方の末端から出発して1塩基
ずつずらしながら配列成分を抽出していく際に、もう一
方の末端に検索塩基配列の最初の末端を接続した塩基配
列を考え、この接続点を含む全ての成分を含めて配列成
分の抽出を行う。(Fourth Embodiment) A fourth embodiment of the present invention will be described below with reference to FIG. In this embodiment,
When the sequence components are extracted from the search base sequence and the base sequence in the database, the information at the end of the sequence is effectively used. In the case of extraction from the search base sequence, as shown in FIG. 9 (a), when the sequence components are extracted starting from one end of the search base sequence, the first end of the search base sequence is added to the other end. Considering the base sequence in which the ends of are connected, the sequence components are extracted including all the components including this connection point. Also in the case of extraction from the base sequence in the database, as shown in FIG. 9 (b), when starting from one end of the base sequence and shifting the sequence component by one base, the other end is extracted. Consider a base sequence in which the first end of the search base sequence is connected, and the sequence components are extracted including all components including this connection point.
【0058】本実施例の方法を用いることによって、検
索塩基配列としてデータベース中の塩基配列と同一のも
のだけを考えてよい場合、すなわち、検索塩基配列がデ
ータベース中の塩基配列に部分的に含まれることがない
場合において、第1、第2の実施例の方法では用いられ
ていなかった塩基配列の末端の情報を有効に活用するこ
とが可能である。例えば、Nk=250、Nd=250、
k=6、ks=6、m=10%の場合、実施例1の方法
における絞り込み率は第1の実施例で示したようにRS
≒6.5×10-10となる。一方、本実施例を用いる
と、一個の成分がヒットする確率PはP=250/40
96=0.061であり、検索塩基配列からの抽出成分
数は42、ヒット判定成分数は17であることから、
(数1)を用いて計算するとRS≒1.4×10-10とな
る。このように、第1の実施例の方法と比べると絞り込
み率が約5分の1に改善していることがわかる。By using the method of the present embodiment, only the same nucleotide sequence as the searched nucleotide sequence in the database can be considered, that is, the searched nucleotide sequence is partially included in the nucleotide sequence in the database. In that case, it is possible to effectively utilize the information on the end of the base sequence, which was not used in the methods of the first and second examples. For example, N k = 250, N d = 250,
When k = 6, ks = 6, and m = 10%, the narrowing rate in the method of the first embodiment is R S as shown in the first embodiment.
≈6.5 × 10 -10 . On the other hand, using the present embodiment, the probability P of hitting one component is P = 250/40
Since 96 = 0.061, the number of extracted components from the search base sequence is 42, and the number of hit determination components is 17,
When calculated using (Equation 1), R S ≈1.4 × 10 −10 . Thus, it can be seen that the narrowing rate is improved to about 1/5 as compared with the method of the first embodiment.
【0059】(実施例5)以下、本発明の第5の実施例
について図10を用いて説明する。本実施例において
は、配列成分表の容量を頻度情報を用いたハッシング手
法によって削減している。頻度情報を利用するハッシン
グ型の配列成分表を作成するには、データベースに登録
してある塩基配列内の配列成分の使用頻度を調べ、頻度
情報によりハッシュ関数を決定する。頻度の大きい成分
については同一エントリに対応する成分数を少なくし、
頻度の小さい成分については同一エントリに対応する成
分数を多くする。具体的には、図10に示すように、各
配列成分種のデータベース中での頻度分布700を調
べ、その頻度の順に配列成分種を並べ換えた頻度分布7
01を作成する。そして、ハッシング法702に示すよ
うに、頻度の小さい成分種を例えば図中の矢印で示すよ
うに頻度の高い成分種に対応させ、同じエントリー番号
を持たせる。こうすることによって、各エントリーの頻
度がほぼ一定になり常に一定の絞り込み率が得られる結
果、安定な検索時間が保証される。また、配列成分表の
容量がハッシングによって削減されることによって次の
二つの効果がある。まず、同じkの値を用いている場合
は、より多い塩基配列を配列成分表で扱えるようになる
ことである。また、同じ数の塩基配列を配列成分表で扱
う場合は、より大きなkの値を用いることが可能にな
る。より大きなkは、配列成分表検索における検索時間
を短縮しより高速な検索を実現可能にする。(Fifth Embodiment) A fifth embodiment of the present invention will be described below with reference to FIG. In this embodiment, the capacity of the array component table is reduced by the hashing method using frequency information. In order to create a hashing type sequence component table using frequency information, the usage frequency of sequence components in the base sequence registered in the database is checked and the hash function is determined from the frequency information. For components with high frequency, reduce the number of components corresponding to the same entry,
For components with low frequency, the number of components corresponding to the same entry is increased. Specifically, as shown in FIG. 10, a frequency distribution 700 in which the sequence component species are rearranged in the order of their frequencies is checked by examining the frequency distribution 700 in the database for each sequence component species.
Create 01. Then, as shown in the hashing method 702, the component type having a low frequency is made to correspond to the component type having a high frequency, for example, as indicated by an arrow in the figure, and the same entry number is given. By doing so, the frequency of each entry becomes almost constant and a constant narrowing down rate is always obtained, so that a stable search time is guaranteed. Further, the capacity of the array component table is reduced by hashing, which has the following two effects. First, when the same value of k is used, it is possible to handle more base sequences in the sequence component table. Further, when the same number of base sequences is handled in the sequence component table, a larger value of k can be used. A larger k shortens the search time in the array component table search and enables a faster search.
【0060】ハッシングの一つの例は次のような場合で
ある。塩基配列データベース中の塩基文字にはA、C、
G、T以外にも11種類の塩基文字が使用されている。
これは、塩基配列決定時に塩基文字がA、C、G、Tの
どれかに確定できない場合に使用され、不確定さの度合
いに応じて区別されている。通常の塩基配列決定におい
ては、これらの塩基文字の出現頻度は非常に小さく、
A、C、G、Tの出現頻度に比べると100分の一程度
である。そこで、A、C、G、T以外の塩基文字が配列
成分中に出現した場合、それらをA、C、G、Tのいず
れかに変換した配列成分を作成し配列成分表を作成すれ
ば、絞り込み率をほとんど増大させることなく配列成分
表の容量を格段に小さくすることが可能である。検索時
には、検索塩基配列中から抽出した配列成分をこの変換
によって変換した後、配列成分表によって検索を行う。One example of hashing is as follows. The base letters in the base sequence database are A, C,
In addition to G and T, 11 types of base letters are used.
This is used when the base character cannot be determined to be A, C, G, or T when determining the base sequence, and is distinguished according to the degree of uncertainty. In ordinary sequencing, the frequency of appearance of these base letters is very small,
The frequency of appearance of A, C, G, and T is about 1/100. Therefore, when base characters other than A, C, G, and T appear in the sequence components, by converting them into any of A, C, G, and T to create a sequence component table, It is possible to significantly reduce the capacity of the array component table without increasing the narrowing rate. At the time of search, the sequence component extracted from the search base sequence is converted by this conversion, and then the sequence component table is searched.
【0061】(実施例6)本発明の第6の実施例につい
て、図11を用いて説明する。ここでは、検索配列から
所定の長さkの配列成分からなる複数の部分集合を作成
する方法を、一般化する。本実施例では、検索配列から
の配列成分の抽出801は、図12に示すように行な
う。即ち、長さkの配列成分からなる要素の異なる複数
(nとする)の部分集合の作成は次の手順に従う。(Embodiment 6) A sixth embodiment of the present invention will be described with reference to FIG. Here, the method of creating a plurality of subsets of array components having a predetermined length k from the search array is generalized. In this embodiment, the extraction 801 of the array component from the search array is performed as shown in FIG. That is, a plurality of (n) subsets having different elements each having an array component of length k are created according to the following procedure.
【0062】(1)検索配列の一方の末端から、k塩基
長の配列成分を抽出する。(1) A sequence component of k base length is extracted from one end of the search sequence.
【0063】(2)検索配列中のk塩基長の配列成分の
抽出を開始した位置をks塩基長ずらして、k塩基長の
配列成分を抽出する。(2) The position where the extraction of the k-base-long sequence component in the search sequence is shifted by ks-base length, and the k-base-long sequence component is extracted.
【0064】(3)(2)の手順操作を配列成分の末端
が検索配列中に含まれる間繰り返して、一つの部分集合
を作成する。(3) The procedure operation of (2) is repeated while the end of the sequence component is included in the search sequence to create one subset.
【0065】(4)検索配列中のk塩基長の配列成分を
抽出を開始した位置から、kn塩基長ずらして、(1)
から(3)までの手順操作を繰り返して、新たな部分集
合を作成する。(4) The sequence component having a length of k bases in the search sequence is shifted from the position where extraction is started by a length of kn bases, and (1)
The procedure from (3) to (3) is repeated to create a new subset.
【0066】(5)3つ目以降の部分集合を作成すると
きには、直前に作成した部分集合におけるk塩基長の配
列成分の抽出を開始した検索配列中の位置から、kn塩
基長ずらして(1)から(3)までの一連の手順操作を
繰り返す。(5) When creating the third and subsequent subsets, the kn base length is shifted from the position in the search sequence at which the extraction of the k-base-length sequence component in the subset just created was started (1 ) To (3) is repeated.
【0067】この手順操作を指定された回数n回だけ行
ない、異なる配列成分からなるn個の部分集合が作成さ
れる。更に作成された部分集合を使用する検索方法を一
般化する。このn(部分集合の数)の値の上限は次のよ
うに設定する。部分集合の要素である塩基長kの配列成
分が、既に作成されている部分集合の要素に全て含まれ
るようになった時点で、部分集合の作成を停止する。即
ち、塩基長kの配列成分からなるn番目の部分集合の配
列成分の抽出開始位置は、検索配列の一方の端からkn
×(n−1)文字ずれた個所の位置が、k×d−kn
(dは正数)文字目であるならば、n番目の部分集合は
最初の部分集合中に含まれるので、この時点で部分集合
の作成を停止する。言い換えると、kn×n文字目がk
の倍数となるような最小のnの数だけ、部分集合を作成
する。例えば、kが6文字、knが4文字の場合には、
部分集合は3個作られる。またknが1文字なら、部分
集合はk個作られ、kが6文字ならば6個作成される。
このように、配列成分の抽出801は、n回行われる。This procedural operation is performed a specified number of times n times, and n subsets having different array components are created. Furthermore, we generalize the search method using the created subset. The upper limit of the value of n (the number of subsets) is set as follows. The generation of the subset is stopped when all the array elements having the base length k, which are the elements of the subset, are included in the elements of the already created subset. That is, the extraction start position of the sequence component of the n-th subset consisting of sequence components of base length k is kn from one end of the search sequence.
X (n-1) The position of the shifted position is kxd-kn
If it is the (d is a positive number) character, the nth subset is included in the first subset, and thus the creation of the subset is stopped at this point. In other words, the kn × n character is k
Create a subset by the minimum number of n that is a multiple of. For example, if k is 6 characters and kn is 4 characters,
Three subsets are created. If kn is 1 character, k subsets are created, and if k is 6 characters, 6 subsets are created.
In this way, the array component extraction 801 is performed n times.
【0068】次に、作成されたn個の異なる部分集合を
用いる検索802について説明する。各部分集合に対し
て検索を行なう方法は、実施例2に記載の方法を用い
る。n個の部分集合を作成し、検索する際の検索ヒット
条件は以下の(数6)で示される。Next, the search 802 using the created n different subsets will be described. The method described in the second embodiment is used as the method for searching each subset. The search hit condition when creating and searching for n subsets is shown in (Equation 6) below.
【0069】[0069]
【数6】 [Equation 6]
【0070】ここで、n番目の部分集合における検索配
列から抽出される配列成分数Ne(n)と、同部分集合
における検索配列長Nk(n)を、Nk(n)=Nk−k
n×(n−1)、Ne(n)=Nk(n)/kで定義す
る。以上の検索ヒット条件において、部分集合ごとに判
定803を行ない、全ての部分集合に対してヒット条件
を満たす配列のみを、配列成分表検索において抽出し、
抽出された配列に対して次段階の検索である配列検索8
04を行ない、検索結果805を得る。Here, the number N e (n) of array components extracted from the search array in the n-th subset and the search array length N k (n) in the same subset are given by N k (n) = N k -K
It is defined by n × (n−1) and N e (n) = N k (n) / k. Under the above search hit condition, the determination 803 is performed for each subset, and only the arrays satisfying the hit condition for all the subsets are extracted in the array component table search,
Sequence search, which is the next-stage search for the extracted sequences
The search result 805 is obtained.
【0071】本実施例によるn個の部分集合を用いた検
索処理時間t(n)は、以下に示す式(数7)で表わさ
れる。ここで、Rs(n)は本実施例を用いたときの絞
り込み率を表し、(数7)中の他の変数は実施例1の中
で定義されたものと同じである。The search processing time t (n) using n subsets according to this embodiment is expressed by the following equation (Equation 7). Here, Rs (n) represents the narrowing rate when this embodiment is used, and the other variables in (Equation 7) are the same as those defined in the first embodiment.
【0072】[0072]
【数7】 [Equation 7]
【0073】本実施例では、作成されたn個の部分集合
ごとに配列成分表を検索するため、配列成分表検索の時
間ttbは実施例2に記載の方法と比べてn倍になる。本
実施例における検索時間が、実施例1における検索時間
よりも短縮される、即ち、t(n)がtよりも小さくな
る時には、本実施例における検索の絞り込み率が以下の
(数8)で与えられる条件を満たしている。(数8)で
示される絞り込み率の条件を満たしていれば、検索処理
時間は短縮される。In the present embodiment, since the array component table is searched for each of the created n subsets, the array component table search time t tb is n times as long as the method described in the second embodiment. When the search time in the present embodiment is shorter than the search time in the first embodiment, that is, when t (n) is smaller than t, the search narrowing rate in the present embodiment is as follows (Equation 8). Meets the given conditions. If the condition of the narrowing rate shown in (Equation 8) is satisfied, the search processing time is shortened.
【0074】[0074]
【数8】 [Equation 8]
【0075】次に本実施例における絞り込み率を示す。
本実施例において、絞り込み率は以下のように表され
る。即ち、単純に考えると、それぞれn個の部分集合に
おいて検索した結果得られた絞り込み率Rs(n)は、
(数1)で表される値と同様であり、各部分集合におい
て求められた絞り込み率Rs(n)の積が、n個の部分
集合を用いて検索した場合の絞り込み率となる。図13
に本実施例の検索方法である、複数の異なる部分集合を
用いた検索における絞り込み率と、実施例2に記載の検
索方法における絞り込み率とを比較した結果を示す。図
13では、以下に示す条件で検索を行った結果を表して
いる。Next, the narrowing rate in this embodiment will be shown.
In this embodiment, the narrowing rate is expressed as follows. That is, when simply considered, the narrowing rate Rs (n) obtained as a result of searching in each of the n subsets is
The value is the same as the value expressed by (Equation 1), and the product of the narrowing ratios Rs (n) obtained in each subset is the narrowing ratio when the search is performed using n subsets. FIG.
The result of comparison between the narrowing rate in the search using the plurality of different subsets, which is the search method of the present embodiment, and the narrowing rate in the search method described in the second embodiment is shown in FIG. FIG. 13 shows the result of searching under the following conditions.
【0076】使用した文字配列は実際のデ−タベ−ス中
の配列データを利用した。デ−タベ−スは、公共デ−タ
ベ−スであるGenBank(release 74.
0)の中の霊長類の遺伝子配列を集めたGBPRI.S
EQを利用した。GBPRI.SEQには、全体で20
×106塩基数が登録されており、配列数にして約2万
配列が登録されている。このデ−タベ−スの配列に対し
て配列の長さが1000塩基に満たないものは省き、1
000塩基よりも長い配列に関しては、1000塩基に
長さをそろえ、500個の配列を検索の対象とした。こ
の様な配列デ−タベ−スに対し、3文字から10文字ま
での長さの塩基成分に対して配列成分表を作成した。こ
の配列成分表作成の方法は、実施例1に記載の方法に基
づく。The character array used was the array data in the actual database. The database is a public database, GenBank (release 74.
0) in GBPRI. S
I used EQ. GBPRI. 20 in total for SEQ
The number of × 10 6 bases has been registered, and about 20,000 sequences have been registered. With respect to this database sequence, those having a sequence length of less than 1000 bases are omitted, and 1
For sequences longer than 000 bases, the length was adjusted to 1000 bases, and 500 sequences were searched. For such a sequence database, a sequence component table was prepared for base components having a length of 3 to 10 characters. The method for creating the sequence component table is based on the method described in Example 1.
【0077】また、検索を行なう配列として同じGBP
RI.SEQのデ−タベ−スから前述のデ−タベ−ス中
の配列とは重複しない配列を400個使用した。各配列
について計算されたしぼり込み率の平均値を求めた。The same GBP as the sequence to be searched
RI. From the SEQ database, 400 sequences which do not overlap with the sequences in the above database were used. The average value of the squeezing rate calculated for each sequence was determined.
【0078】検索時には、以下の条件のもとに検索配列
から配列成分を抽出した。デ−タベ−スの配列長Ndは
1000塩基とし、検索配列長は100塩基とした。ま
た、検索配列から一定長の配列成分を抽出する際の変数
を以下のように設定する。実施例2に記載の方法も本実
施例のいずれも、一定長kの配列成分を切り取る際にk
s文字だけずらす。実際の検索時には、これらの値をk
=ksとした。また、本実施例においてのみ、使用され
るknの値は1文字とした。これは、knが他の一般的
な値をとる場合に比べて、作成する部分集合の数が最大
であり、もっとも細かな検索が出来ると考えたためであ
る。knの値を1文字と設定すると、k文字の配列成分
に関する部分集合の数は、k個となる。従って、本実施
例においては3〜10個の部分集合のすべてにおいて検
索ヒット条件を満たした配列の割合を計算する。また検
索ヒット条件を決定する誤り許容率mは5%とした。At the time of search, sequence components were extracted from the search sequence under the following conditions. The sequence length N d of the database was 1000 bases, and the search sequence length was 100 bases. Further, the variables used when extracting a fixed-length array component from the search array are set as follows. In both the method described in the second embodiment and this embodiment, when the array component having a constant length k is cut out, k
Shift s characters only. At the time of actual search, set these values to k
= Ks. Also, only in this embodiment, the value of kn used was one character. This is because the number of subsets to be created is the largest as compared with the case where kn takes other general values, and it is thought that the finest search can be performed. When the value of kn is set to 1 character, the number of subsets related to the k-character array component is k. Therefore, in this embodiment, the proportion of sequences satisfying the search hit condition is calculated in all of the 3 to 10 subsets. The error tolerance rate m for determining the search hit condition was set to 5%.
【0079】以上の変数を使用して、検索した結果を図
13に示す。絞り込み率は実施例2に記載の方法よりも
改善されている。配列成分長kが5、6、7、8、9文
字の時に絞り込み率が非常に改善され、実施例2に記載
の方法よりも検索時間が短縮する。従って、本実施例は
配列成分表検索においての絞り込み率を改善し、検索時
間を短縮するのに有効である。図13の結果では、予測
されたほど本実施例による絞り込み率の改善が見られな
かったが、これは検索に実デ−タを用いたために、繰返
し配列が多いなどの理由で、デ−タベ−スがランダムで
はなかったためと考えられる。FIG. 13 shows the result of retrieval using the above variables. The narrowing rate is improved as compared with the method described in Example 2. When the array component length k is 5, 6, 7, 8, 9 characters, the narrowing rate is greatly improved, and the search time is shorter than the method described in the second embodiment. Therefore, the present embodiment is effective in improving the narrowing down rate in the array component table search and shortening the search time. In the result of FIG. 13, the improvement of the narrowing rate by the present embodiment was not seen as expected, but this was because the actual data was used for the search, and therefore the number of repeated sequences was large, and so on. -It is thought that the space was not random.
【0080】(実施例7)次に、本発明における第4の
実施例について図11及び図14を用いて説明する。本
実施例においては、図11中の検索配列からの配列成分
の抽出801を図14に示された方法によって行なう。
即ち、i個の異なる長さのkiについて配列成分の抽出
801を行い、長さの異なる配列成分からなる部分集合
を作成する方法である。つまり、まず指定された長さk
1に対して、 (1)検索配列の一方の末端から、k1塩基長の配列成
分を抽出する。(Embodiment 7) Next, a fourth embodiment of the present invention will be described with reference to FIGS. 11 and 14. In the present embodiment, extraction 801 of array components from the search array in FIG. 11 is performed by the method shown in FIG.
In other words, this is a method of extracting 801 array components for k i having different lengths and creating a subset of array components having different lengths. That is, the specified length k
With respect to 1 , (1) a sequence component having a k 1 base length is extracted from one end of the search sequence.
【0081】(2)検索配列中で、配列成分抽出開始点
をks1塩基長ずらして、k1塩基長の配列成分を抽出す
る。(2) In the search sequence, the sequence component extraction start point is shifted by ks 1 base length to extract a sequence component having k 1 base length.
【0082】(3)(2)の手順操作を配列成分の末端
が検索配列中に収まる間中繰り返す。以上の手順操作に
より、塩基長k1の配列成分に対する部分集合を作成す
る。次に、予め指定されていたk1とは異なる塩基長k2
に対して、(1)〜(3)までの手順操作を行ない、塩
基長k2に対する配列成分からなる部分集合を作成す
る。このように指定されたそれぞれの長さに対応する配
列成分からなる部分集合を作成する。(3) The procedure of (2) is repeated while the ends of the sequence components are contained in the search sequence. Through the above procedure operation, a subset for the sequence component having the base length k 1 is created. Next, a base length k 2 different from the previously designated k 1
On the other hand, the procedure operations (1) to (3) are performed to create a subset of sequence components for the base length k 2 . A subset consisting of array components corresponding to the respective lengths thus designated is created.
【0083】作成された部分集合に対する検索方法は、
実施例2で既に説明した手順に従うが、各部分集合によ
ってその要素である配列成分の塩基長が異なるので、予
め配列成分表も各塩基長ごとに複数作成しておく必要が
ある。つまり、部分集合の配列成分の長さがそれぞれk
1、k2、k3塩基長とするとき、配列成分表もそれぞれ
k1、k2、k3塩基長の配列成分に対して予め作成する
必要がある。それぞれの塩基長に対する配列成分表の作
成方法については、実施例1に記載したとおりである。
また、配列成分表検索を行なう場合には、各部分集合の
要素の配列成分の長さに対応する配列成分表を検索す
る。即ち、塩基長k1の配列成分からなる部分集合を参
照して配列成分表検索を行なうときには、やはり塩基長
k1の配列成分表を用いて検索する。The search method for the created subset is
The procedure already described in Example 2 is followed, but the base length of the sequence component that is the element differs depending on each subset, so it is necessary to create multiple sequence component tables for each base length in advance. That is, the length of the array components of the subset is k
1, when the k 2, k 3 bases in length, it is necessary to create in advance for the sequence component of each even sequence component Table k 1, k 2, k 3 bases in length. The method for creating the sequence component table for each base length is as described in Example 1.
Further, when performing the array component table search, the array component table corresponding to the length of the array component of the element of each subset is searched. That is, when referring to a subset consisting of the sequence component of the base length k 1 performs sequence component table search, also be searched using the sequence component table bases long k 1.
【0084】i個の部分集合を作成した後、配列成分表
検索802を行い、全ての場合において検索ヒット条件
を満たす配列の選択803を行い、配列検索804を行
なう。ここで、各部分集合における検索ヒット条件は以
下に示すように、配列成分長kiに対応して変化した変
数の値を、(数6)のそれぞれに対応する値に代入した
ものとして表わせる。また、検索時間も実施例6と同様
に(数7)の各変数に対応する値を代入してもとめられ
る。After the i subsets are created, the array component table search 802 is performed, and in all cases, the sequence selection condition 803 is selected and the sequence search 804 is performed. Here, the search hit condition in each subset can be expressed as a value obtained by substituting the variable value corresponding to the array component length k i into the value corresponding to each of (Equation 6) as shown below. . Also, the search time can be determined by substituting the values corresponding to the variables of (Equation 7) as in the sixth embodiment.
【0085】以下、本実施例の検索結果を図15に表
す。ここでは、検索時には以下の条件を用いた。まず、
デ−タベ−スは実施例6と同じ、公共デ−タベ−スであ
るGenBankの中の霊長類の塩基配列を集めたGB
PRI.SEQであり、配列長Ndは1000文字にそ
ろえた。検索配列長Nkは100文字とし、デ−タベ−
ス中の配列とは重複しないように選んだ。配列成分の長
さとして、3文字から10文字までのそれぞれ連続する
3つの値を用いた。つまり、配列成分長として3、4、
5文字の組、4、5、6文字の組、…、8、9、10文
字の組を用いた。また、配列成分の抽出を行なう際のず
らし文字数ksはそれぞれ配列成分の長さと一致する
値、k=ksを用いた。また、誤り許容率は10%とし
た。以上の条件のもとで検索を行った結果を、同条件で
検索を行った実施例2に記載の方法の結果と比較して図
15に示す。The search result of this embodiment is shown in FIG. Here, the following conditions were used in the search. First,
The database is the same as in Example 6, and is a public database that collects primate nucleotide sequences in GenBank, which is a GB.
PRI. The sequence length N d is 1000 characters. The search sequence length N k is 100 characters, and the database
Selected so as not to overlap with the sequence in the table. As the length of the array component, three consecutive values of 3 to 10 characters were used. That is, the array component length is 3, 4,
A set of 5 characters, a set of 4, 5, 6 characters, ..., A set of 8, 9, 10 characters was used. In addition, the number of shifted characters ks when extracting the array component is a value that matches the length of the array component, k = ks. The error tolerance rate was set to 10%. The results of the search under the above conditions are shown in FIG. 15 in comparison with the results of the method described in Example 2 under the same conditions.
【0086】図15に示す結果より、配列成分の組が
5、6、7文字、6、7、8文字、7、8、9文字、
8、9、10文字の組では、絞り込み率が非常に改善さ
れている。本実施例の検索では部分集合は指定した配列
成分長の数だけ作成され、3つ部分集合が作成される。
これら数値から、本実施例の絞り込み率で検索時間が短
縮されるかを(数8)を用いて計算する。上記4つの組
の場合では、本実施例の絞り込み率は(数8)に表され
た条件を満たすので検索時間が短縮される。従って、本
実施例は絞り込み率を改善し、検索時間を短縮するのに
効果的である。From the results shown in FIG. 15, the set of array components is 5, 6, 7 characters, 6, 7, 8 characters, 7, 8, 9 characters,
In the set of 8, 9, and 10 characters, the narrowing rate is greatly improved. In the search of this embodiment, a subset is created by the number of designated array component lengths, and three subsets are created.
From these numerical values, it is calculated using (Equation 8) whether or not the search time is shortened by the narrowing rate of this embodiment. In the case of the above-mentioned four groups, the narrowing down ratio of this embodiment satisfies the condition expressed by (Equation 8), so that the search time is shortened. Therefore, this embodiment is effective in improving the narrowing rate and shortening the search time.
【0087】(実施例8)以下、本発明の第8の実施例
について図11及び図16を用いて説明する。本実施例
では、図11中の検索配列からの配列成分の抽出801
において、実施例6及び実施例7で説明した方法を組み
合わせて検索する。即ち、長さの違う複数のkに対し
て、それぞれ実施例6の方法に基づき複数の異なる部分
集合を作成する。本実施例の配列成分の抽出801で
は、図16に示すように以下の手順を指定された複数の
異なる長さkに対して行なう。まず、一つの長さk1の
配列成分について、 (1)検索文字配列の一方の末端から長さk1の配列成
分を切り出す。(Embodiment 8) An eighth embodiment of the present invention will be described below with reference to FIGS. 11 and 16. In this embodiment, extraction 801 of array components from the search array in FIG.
In, the search is performed by combining the methods described in the sixth and seventh embodiments. That is, a plurality of different subsets are created for each of a plurality of k having different lengths based on the method of the sixth embodiment. In the array component extraction 801 of this embodiment, the following procedure is performed for a plurality of different designated lengths k, as shown in FIG. First, for one sequence component of length k 1 , (1) the sequence component of length k 1 is cut out from one end of the search character sequence.
【0088】(2)配列成分を切りだした位置からks
1文字ずらして長さk1の配列成分を切り出す。(2) From the position where the array component is cut out, ks
The array component of length k 1 is cut out by shifting one character.
【0089】(3)配列成分の末端が検索文字配列中に
含まれている間中、(1)(2)の手順操作を繰り返
す。(3) The procedures of (1) and (2) are repeated while the end of the sequence component is included in the search character sequence.
【0090】(4)更に検索文字配列中の配列成分の切
り出し開始位置からkn文字ずらしてから、(1)〜
(3)の手順操作を繰り返す。(4) Further, after shifting by kn characters from the cut-out start position of the array component in the search character array, (1)-
The procedure of (3) is repeated.
【0091】(5)新たに抽出した配列成分が、既に作
成されていた部分集合の配列成分と一致するようになる
まで、(1)〜(4)の手順操作を繰り返す。(5) The procedures of (1) to (4) are repeated until the newly extracted array component matches the array component of the already created subset.
【0092】以上の手順に従い、k1塩基長の配列成分
の複数の部分集合を作成する。本実施例では、更に指定
されていた異なる長さk2の配列成分に対しても、
(1)〜(5)の手順操作を繰り返して複数の部分集合
を作成する。この手順操作を指定されたi個の塩基長に
対して行なう。このようにして、複数の異なる配列成分
からなる部分集合を作成する。この時部分集合の数は以
下のように設定される。まず、指定された異なった塩基
長がi個とし、それぞれの塩基長をk1、…、kiと表
す。それぞれの塩基長に対応した配列成分の部分集合を
作成する際に、部分集合ごとに配列成分の抽出開始位置
をkni文字ずらす。各塩基長における部分集合の数N
(ki、kni)は、kni×N(ki、kni)がkiの倍
数になるような最小の値として定義される。例えば、k
iが6文字、kniが2文字の場合には、N(ki、k
ni)は3となる。全体として部分集合の個数Gnは以下
の(数9)で与えられる。According to the above procedure, a plurality of subsets of the sequence component having the k 1 base length are created. In the present embodiment, even for the designated array elements having different lengths k 2 ,
The steps (1) to (5) are repeated to create a plurality of subsets. This procedure operation is performed for the specified i base length. In this way, a subset composed of a plurality of different array components is created. At this time, the number of subsets is set as follows. First, the designated different base lengths are i, and the respective base lengths are represented by k 1 , ..., K i . When creating a subset of sequence components corresponding to each base length, the extraction start position of the sequence component is shifted by kn i characters for each subset. Number of subsets N at each base length
(K i , kn i ) is defined as the smallest value such that kn i × N (k i , kn i ) is a multiple of k i . For example, k
If i is 6 characters and kn i is 2 characters, N (k i , k
n i ) becomes 3. The total number of subsets G n is given by the following (Equation 9).
【0093】[0093]
【数9】 [Equation 9]
【0094】こうして作成されたGn個の部分集合に対
してそれぞれの塩基長kiに対応する配列成分表を参照
した検索803を行なう。検索時には、それぞれの塩基
長kiにおけるN(ki、kni)個の部分集合に対して
それぞれに対応する検索ヒット条件に基づいて検索を行
なう。検索ヒット条件はそれぞれの塩基長kiについて
求められたスコアSが、各部分集合の全ての場合におい
て(数6)で表わされる値よりも大きいかもしくは等し
いならば、文字配列を参照する検索804を行ない、検
索結果805を得る。A search 803 is performed on the G n subsets thus created by referring to the sequence component table corresponding to each base length k i . At the time of search, a search is performed for N (k i , kn i ) subsets at each base length k i based on the search hit condition corresponding to each. If the score S obtained for each base length k i is greater than or equal to the value represented by (Equation 6) in all cases of each subset, the search hit condition is a search 804 that refers to the character sequence. And a search result 805 is obtained.
【0095】本実施例における絞り込み率を図17に表
す。本実施例においても検索時には、実施例6及び、実
施例7において検索に用いられたものと同様のデ−タベ
−スを用いる。また、配列成分抽出時の変数はks=k
とし、各部分集合作成時の変数kn=1とした。さら
に、複数の配列成分の長さは、実施例7と同様に3文字
から10文字までのそれぞれ3つの連続する長さを用い
た。また、配列の長さに関しては実施例6、7と同様に
デ−タベ−ス中の配列長Ndを1000塩基、検索配列
長Nkを100塩基とした。FIG. 17 shows the narrowing rate in this embodiment. Also in this embodiment, at the time of searching, the same database as that used for searching in Embodiments 6 and 7 is used. The variable at the time of extracting the array component is ks = k
And the variable kn = 1 at the time of creating each subset. Further, as the lengths of the plurality of array components, three consecutive lengths of 3 to 10 characters were used as in Example 7. Regarding the sequence length, the sequence length N d in the database was 1000 bases and the search sequence length N k was 100 bases, as in Examples 6 and 7.
【0096】以上の条件のもとで、検索を行った結果を
図17に表す。本実施例における絞り込み率は、実施例
6及び実施例7に表された検索方法における絞り込み率
の積になる。図17より、本実施例における絞り込み率
の方が、実施例7に記載の方法よりも改善されている。
本実施例における検索時間は、(数9)と(数7)によ
り、表わすことができ、(数9)によって求められた部
分集合数Gnを(数7)に代入し、検索時間を計算でき
る。また、検索時間を短縮するための絞り込み率の条件
は同様に部分集合の数Gnを(数8)に代入すればよ
い。このようにして調べた結果では、検索を行った配列
成分の組の全ての場合において、検索時間が実施例2に
記載の方法よりも短縮している。また、図17に示しさ
れるように、実施例7に記載の方法と比較しても、配列
成分の組3、4、5文字、4、5、6文字の組について
は絞り込み率の著しい改善が見られ、本実施例は絞り込
み率を改善し、検索時間を短縮するのに効果的である。The result of the search under the above conditions is shown in FIG. The narrowing rate in this embodiment is the product of the narrowing rates in the search methods shown in the sixth and seventh embodiments. From FIG. 17, the narrowing-down rate in the present embodiment is improved as compared with the method described in the seventh embodiment.
The search time in this embodiment can be represented by (Equation 9) and (Equation 7), and the number of subsets G n obtained by (Equation 9) is substituted into (Equation 7) to calculate the retrieval time. it can. Further, the condition of the narrowing down ratio for shortening the search time may be obtained by substituting the number of subsets G n into (Equation 8). According to the result of the examination as described above, the search time is shorter than that of the method described in Example 2 in all cases of the set of sequence components searched. Also, as shown in FIG. 17, even when compared with the method described in Example 7, the narrowing-down rate was significantly improved for the sets of sequence components 3, 4, 5 characters, 4, 5, 6 characters. This is effective in improving the narrowing rate and shortening the search time.
【0097】(実施例9)以下、本発明の第9の実施例
について図11を用いて説明する。本実施例では、図1
1中の各部分集合における検索条件の判定803を一般
化する。即ち、検索配列からの配列成分の抽出801に
よって作成された複数の部分集合に対して、配列成分表
を用いた検索802を行い、それぞれの部分集合に対し
て得られた検索結果を用いて判定803を行い、選ばれ
た配列に対して配列検索804を行なう。(Ninth Embodiment) A ninth embodiment of the present invention will be described below with reference to FIG. In this embodiment, FIG.
The search condition determination 803 in each subset in 1 is generalized. That is, a search 802 using an array component table is performed on a plurality of subsets created by extraction 801 of array components from a search array, and determination is performed using the search results obtained for each subset. 803 is performed, and a sequence search 804 is performed on the selected sequence.
【0098】複数の部分集合を用いて検索を行なう場合
には、それぞれの部分集合に対する検索ヒット条件を考
慮し、すべての部分集合において、算出されたスコアが
検索ヒット条件を満たす配列を抽出する。この検索方法
を以下のように一般化する。まず、実施例6、7、8で
説明したように、一つの検索配列からは複数の要素の異
なる部分集合が作成される。この部分集合の要素は、各
々部分集合の作成方法に従って要素である配列成分数が
異なりうる。そこで、各部分集合に対して、検索ヒット
条件がそれぞれ設定される。検索では、全ての部分集合
において検索ヒット条件を満たしている配列を抽出す
る。ここでは、各部分集合において、スコアがその部分
集合の(数6)で表される検索ヒット条件を満たすなら
ば1、満たさないならば0のビットフラグを与える。こ
のフラグの数は部分集合の数だけ存在する。このフラグ
の論理積を計算し、この計算結果が1になる配列を配列
成分表検索において抽出する。When a search is performed using a plurality of subsets, the search hit condition for each subset is taken into consideration, and an array whose calculated score satisfies the search hit condition is extracted from all the subsets. This search method is generalized as follows. First, as described in Embodiments 6, 7, and 8, different subsets of a plurality of elements are created from one search array. The elements of this subset may differ in the number of array components that are elements according to the method of creating the subset. Therefore, a search hit condition is set for each subset. In the search, sequences that satisfy the search hit condition are extracted in all subsets. Here, in each subset, a bit flag of 1 is given if the score satisfies the search hit condition represented by (Equation 6) of the subset, and 0 if not satisfied. There are as many flags as there are subsets. The logical product of these flags is calculated, and the array whose calculation result is 1 is extracted in the array component table search.
【0099】以上の各実施例ではDNA塩基配列の検索
を例にとり、本発明の文字配列検索方法を説明したが、
本発明はこれに限らずRNA塩基配列の検索、アミノ酸
配列の検索、さらには一般の文書の検索にも適用できる
ことは言うまでもない。また文書検索では記号文字、絵
文字等を含む場合にも適用可能である。In each of the above embodiments, the method for searching a character sequence of the present invention has been described by taking the search for a DNA base sequence as an example.
It goes without saying that the present invention is not limited to this, and can be applied to RNA base sequence searches, amino acid sequence searches, and general document searches. The document search can also be applied to the case where symbol characters, pictograms, etc. are included.
【0100】[0100]
【発明の効果】本発明によれば、所定の長さの文字配列
が登録された文字配列成分表の検索によって絞り込みを
行い、その後、文字配列検索を行う階層型プリサーチ手
段を設けること、また、文字配列成分表の検索による絞
り込みのさい、検索文字配列中の所定の長さの文字配列
の中から部分集合を選び出し、部分集合を用いて文字配
列成分表をサーチする際のヒット成分数の基準として、
検索者が予め与える誤り許容率を基に決定される数を用
いることによって、与えられた検索文字配列から誤り許
容率を超えて異なった文字配列を、文字配列を参照する
以前に切り捨てて、検索対象の文字配列を検索する量を
少なくできる。これによって、与えられた検索文字配列
から誤り許容率以内の文字配列をもれなく検索し、かつ
大規模な文字配列データベースでも実用的な応答速度で
検索することが可能となる。According to the present invention, there is provided a hierarchical pre-search means for performing narrowing down by searching a character array component table in which a character array of a predetermined length is registered, and then performing a character array search. , When narrowing down by searching the character array component table, select a subset from the character array of the specified length in the search character array and select the number of hit components when searching the character array component table using the subset. As a standard
By using a number determined based on the error tolerance rate given in advance by the searcher, a character array that differs from the given search character array by exceeding the error tolerance rate is truncated and searched before referring to the character array. The amount of searching the target character array can be reduced. As a result, it is possible to search all the character sequences within the error tolerance rate from the given search character sequence, and to search even a large-scale character sequence database at a practical response speed.
【図1】本発明の第1の実施例であり文字配列検索方法
が適用される文字配列検索装置の構成を示す図。FIG. 1 is a diagram showing a configuration of a character arrangement search device to which a character arrangement search method according to a first embodiment of the present invention is applied.
【図2】本発明の第1の実施例における階層型プリサー
チでの文字配列(DNA塩基配列の例)及び文字配列成
分表の作成登録の処理内容を示す図。FIG. 2 is a diagram showing a process of creating and registering a character sequence (example of a DNA base sequence) and a character sequence component table in the hierarchical pre-search according to the first embodiment of the present invention.
【図3】本発明の第1の実施例における階層型プリサー
チでの文字配列(DNA塩基配列の例)の検索方法を示
す図。FIG. 3 is a diagram showing a method for searching a character sequence (an example of a DNA base sequence) in the hierarchical pre-search according to the first embodiment of the present invention.
【図4】本発明の第1の実施例における絞り込み率(R
S)(計算値)の各塩基配列長に対する文字配列長
(k)値依存性を示す図。FIG. 4 is a drawing-in ratio (R) in the first embodiment of the present invention.
The figure which shows the character sequence length (k) value dependence with respect to each base sequence length of S ) (calculated value).
【図5】本発明の第2の実施例である、重複分割法への
一般化を行なった、検索配列からの配列成分の抽出方法
及び検索方法を示す図。FIG. 5 is a diagram showing a method of extracting an array component from a search array and a search method, which is a second embodiment of the present invention and generalized to the overlap division method.
【図6】本発明の第2の実施例において、文字配列長、
k=6とするときの絞り込み率(RS)(計算値)の誤り
許容率(m)依存性を示す図。FIG. 6 illustrates a character array length according to a second embodiment of the present invention.
The figure which shows the error tolerance rate (m) dependence of the narrowing rate (R S ) (calculated value) when k = 6.
【図7】本発明の第3の実施例であり、データベース中
の塩基配列の重複を許した分割を行い、分割された配列
に対して塩基配列成分表を作成する、重複分割塩基配列
成分表の作成登録方法を示す図。FIG. 7 is a third embodiment of the present invention, which is an overlapping division base sequence component table for performing division that allows overlapping of base sequences in a database and creating a base sequence component table for the divided sequences. The figure which shows the creation registration method of.
【図8】絞り込み率(RS)(計算値)のデータベース
中の塩基配列長(Nd)依存性を示す図。FIG. 8 is a view showing the dependence of the narrowing rate (R S ) (calculated value) on the nucleotide sequence length (N d ) in the database.
【図9】本発明の第4の実施例である配列末端の情報を
利用する塩基配列成分の抽出方法を示す図。FIG. 9 is a diagram showing a method for extracting a base sequence component using information on the end of the sequence, which is the fourth embodiment of the present invention.
【図10】本発明の第5の実施例である頻度情報を利用
するハッシング型の配列成分表の作成方法を示す図。FIG. 10 is a diagram showing a method of creating a hashing type array component table using frequency information according to a fifth embodiment of the present invention.
【図11】本発明の第6の実施例である検索文字配列か
ら複数の部分集合を使用する検索方法を示す図。FIG. 11 is a diagram showing a search method using a plurality of subsets from a search character array according to the sixth embodiment of the present invention.
【図12】本発明の第6の実施例である検索文字配列か
らの複数の部分集合の作成方法を示す図。FIG. 12 is a diagram showing a method of creating a plurality of subsets from a search character array which is a sixth embodiment of the present invention.
【図13】本発明の第6の実施例における絞り込み率
(RS)の各文字配列長(k)値依存性を示す図。FIG. 13 is a diagram showing the dependence of the narrowing rate (R S ) on each character array length (k) value in the sixth embodiment of the present invention.
【図14】本発明の第7の実施例である検索文字配列か
らの複数の部分集合の作成方法を示す図。FIG. 14 is a diagram showing a method of creating a plurality of subsets from a search character array which is a seventh embodiment of the present invention.
【図15】本発明の第7の実施例における絞り込み率
(RS)の各文字配列長(k)値依存性を示す図。FIG. 15 is a diagram showing the dependence of the narrowing rate (R S ) on each character array length (k) value in the seventh embodiment of the present invention.
【図16】本発明の第8の実施例である検索文字配列か
らの複数の部分集合の作成方法を示す図。FIG. 16 is a diagram showing a method of creating a plurality of subsets from a search character array which is an eighth embodiment of the present invention.
【図17】本発明の第8の実施例における絞り込み率
(RS)の各文字配列長(k)値依存性を示す図。FIG. 17 is a diagram showing the dependence of the narrowing rate (R S ) on each character array length (k) value in the eighth embodiment of the present invention.
100…ディスプレイ、101…キーボード、102…
中央制御装置CPU、103…文字配列、104…文字
配列成分表、105…フロッピーディスクドライバ、1
06…文字配列の格納用ファイル、107…フロッピー
ディスク、200…主メモリ、201…文字配列登録プ
ログラム、202…文字配列成分表作成登録プログラ
ム、203…誤り許容文字配列成分表サーチプログラ
ム、204…誤り許容文字配列サーチプログラム、20
5…データエリア、206…階層検索制御プログラム、
300…DNA塩基配列登録プロセス、301…DNA
塩基配列からの文字配列成分の抽出プロセス、302…
DNA塩基配列成分表作成プロセス、303…DNA塩
基配列成分表登録プロセス、400…誤り許容率m、及
び検索DNA塩基配列の入力プロセス、401…検索D
NA塩基配列からの配列成分の抽出プロセス、402…
DNA塩基配列成分表による検索プロセス、403…D
NA塩基配列の検索プロセス、404…検索結果出力プ
ロセス、500…検索DNA塩基配列からの重複分割法
による配列成分の抽出プロセス、501…DNA塩基配
列成分表による検索プロセス、600…データベース塩
基配列の重複分割プロセス、601…重複分割塩基配列
成分表の作成プロセス、602…重複分割塩基配列成分
表の登録プロセス、700…各配列成分種のデータベー
ス中での頻度分布、701…頻度の順に配列成分種を並
べ換えた頻度分布、702…ハッシング法、800…誤
り許容率m、及び検索DNA塩基配列の入力プロセス、
801…検索DNA塩基配列からの配列成分の抽出、及
び内容の異なる複数個の部分集合の作成プロセス、80
2…各部分集合を用いたDNA塩基配列成分表による検
索プロセス、803…DNA塩基配列成分表検索の結果
を用いた検索条件の判定プロセス、804…DNA塩基
配列の検索プロセス、805…検索結果出力プロセス。100 ... Display, 101 ... Keyboard, 102 ...
Central control unit CPU, 103 ... Character array, 104 ... Character array component table, 105 ... Floppy disk driver, 1
06 ... File for storing character array, 107 ... Floppy disk, 200 ... Main memory, 201 ... Character array registration program, 202 ... Character array component table creation registration program, 203 ... Error allowable character array component table search program, 204 ... Error Allowable character arrangement search program, 20
5 ... Data area, 206 ... Hierarchical search control program,
300 ... DNA nucleotide sequence registration process, 301 ... DNA
Extraction process of character sequence component from base sequence, 302 ...
DNA base sequence component table creation process, 303 ... DNA base sequence component table registration process, 400 ... Error tolerance rate m, and search DNA base sequence input process, 401 ... Search D
Process of extracting sequence components from NA base sequence, 402 ...
Retrieval process by DNA base sequence component table, 403 ... D
NA base sequence search process, 404 ... Search result output process, 500 ... Sequence component extraction process from search DNA base sequence by overlapping division method, 501 ... DNA base sequence component list search process, 600 ... Database base sequence duplication Division process, 601 ... Creation process of overlapping divided base sequence component table, 602 ... Registration process of overlapping divided base sequence component table, 700 ... Frequency distribution in database of each sequence component species, 701 ... Sequence component species in order of frequency Rearranged frequency distribution, 702 ... hashing method, 800 ... error tolerance rate m, and input process of search DNA base sequence,
801, a process of extracting sequence components from a searched DNA base sequence and creating a plurality of subsets having different contents, 80
2 ... Search process based on DNA base sequence component table using each subset, 803 ... Search condition determination process using results of DNA base sequence component table, 804 ... DNA base sequence search process, 805 ... Search result output process.
───────────────────────────────────────────────────── フロントページの続き (72)発明者 永井 啓一 東京都国分寺市東恋ケ窪1丁目280番地 株式会社日立製作所中央研究所内 (72)発明者 川口 久光 東京都国分寺市東恋ケ窪1丁目280番地 株式会社日立製作所中央研究所内 (72)発明者 多田 勝己 東京都国分寺市東恋ケ窪1丁目280番地 株式会社日立製作所中央研究所内 (72)発明者 加藤 寛次 東京都国分寺市東恋ケ窪1丁目280番地 株式会社日立製作所中央研究所内 (72)発明者 神原 秀記 東京都国分寺市東恋ケ窪1丁目280番地 株式会社日立製作所中央研究所内 (72)発明者 村川 克二 東京都国分寺市東恋ケ窪1丁目280番地 株式会社日立製作所中央研究所内 (72)発明者 相坂 一夫 東京都国分寺市東恋ケ窪1丁目280番地 株式会社日立製作所中央研究所内 (72)発明者 長坂 充 東京都国分寺市東恋ケ窪1丁目280番地 株式会社日立製作所中央研究所内 ─────────────────────────────────────────────────── ─── Continuation of the front page (72) Keiichi Nagai 1-280, Higashi Koikeku, Kokubunji, Tokyo Inside the Central Research Laboratory, Hitachi, Ltd. (72) Hisamitsu Kawaguchi 1-280, Higashi Koikeku, Kokubunji, Tokyo Hitachi Ltd. Central Research Laboratory (72) Inventor Katsumi Tada 1-280, Higashi Koikekubo, Kokubunji City, Tokyo Hitachi, Ltd. Central Research Center (72) Inventor, Kanji Kato 1-280, Higashi Koikeku, Kokubunji, Tokyo Hitachi Central Research Center, Ltd. ( 72) Inventor Hideki Kamihara 1-280, Higashi Koikekubo, Kokubunji, Tokyo Inside Hitachi Central Research Laboratory (72) Inventor Katsuji Murakawa 1-280, Higashi Koikeku Kubo, Tokyo Kokubunji City Inside Hitachi Research Laboratory (72) Invention Kazuo Aizaka East, Kokubunji, Tokyo 1-280, Koigokubo, Central Research Laboratory, Hitachi, Ltd. (72) Inventor, Mitsuru Nagasaka 1-280, Higashi-Koigokubo, Kokubunji, Tokyo Central Research Laboratory, Hitachi, Ltd.
Claims (43)
タベースの中から指定された検索文字配列を検索する文
字配列検索方法において、(1)前記登録文字配列中に
含まれる所定の長さ(kとする)の連続する部分文字配
列を重複なく含み、これら部分文字配列に関する情報を
表す文字配列成分表を作成するステップと、(2)前記
登録文字配列と前記文字配列成分表を合わせて文字配列
データベースへ登録するステップと、(3)前記検索文
字配列中に含まれる前記所定の長さ(k)の文字配列か
ら、所定の方法により検索文字配列の部分集合を抽出す
るステップと、(4)所定の誤り許容率によって定めら
れる一定数よりも多く前記部分集合の中の文字配列を含
む前記登録文字配列を、前記文字配列成分表を参照し
て、前記誤り許容率の以内の文字配列を抽出するための
文字配列成分表をサーチするステップと、(5)前記文
字配列成分表をサーチするステップによりえられた前記
登録文字配列を参照して、前記誤り許容率の以内の前記
登録文字配列を抽出するための文字配列をサーチするス
テップとを有することを特徴とする文字配列検索方法。1. A character array search method for searching a specified search character array from a character array database in which a plurality of character arrays are registered, comprising: (1) a predetermined length included in the registered character array ( k)) including a continuous partial character array without duplication and creating a character array component table representing information about these partial character arrays; and (2) combining the registered character array and the character array component table Registering in a sequence database; (3) extracting a subset of the search character sequence from the character sequence of the predetermined length (k) included in the search character sequence by a predetermined method; ) Referring to the character array component table, registering the registered character array that includes more than a certain number of character arrays defined by a predetermined error tolerance rate with the error tolerance rate Within the error tolerance rate, referring to the registered character array obtained in the step (5) of searching the character array component table for extracting the character array component within And a step of searching a character array for extracting the registered character array.
列と前記登録文字配列との全ての組合せに対して、前記
部分文字配列が前記登録文字配列の中に含まれるか含ま
れないかの情報を表わす1ビット情報が格納されるビッ
ト情報格納領域が付与されており、前記文字配列成分表
をサーチするステップは、前記部分集合について前記登
録文字配列ごとに前記ビット情報格納領域を参照するこ
とを特徴とする請求項1に記載の文字配列検索方法。2. The character array component table may or may not include the partial character array in the registered character array for all combinations of the partial character array and the registered character array. Is provided with a bit information storage area for storing 1-bit information representing the above information, and the step of searching the character array component table refers to the bit information storage area for each of the registered character arrays for the subset. The character array search method according to claim 1, wherein
字配列のそれぞれから、互いに所定の長さ以上重複し
て、前記登録文字配列の全長を覆う複数個の部分文字配
列を含むことを特徴とする請求項1または請求項2に記
載の文字配列検索方法。3. The character array database includes a plurality of partial character arrays which overlap each other of the registered character arrays by a predetermined length or more and cover the entire length of the registered character arrays. The character sequence search method according to claim 1 or 2.
長さ(k)の文字配列から、所定の方法により検索文字
配列の部分集合を抽出するステップにおいて、前記検索
文字配列のいずれかの末端側の文字から文字数(ksとす
る)ずつずらして順次前記所定の長さ(k)の文字配列
を得ていく操作を可能な限り行うことによって、前記検
索文字配列の部分集合を抽出することを特徴とする請求
項2または請求項3に記載の文字配列検索方法。4. In the step of extracting a subset of the search character array by a predetermined method from the character array of the predetermined length (k) included in the search character array, one of the search character arrays is extracted. Extracting a subset of the search character array by performing as many operations as possible by sequentially shifting the number of characters (k s) from the character on the terminal side to obtain the character array of the predetermined length (k). The character sequence search method according to claim 2 or 3, wherein:
の長さが等しいことを特徴とする請求項4に記載の文字
配列検索方法。5. The predetermined length (k) and the number of characters (ks)
5. The character array search method according to claim 4, wherein the characters have the same length.
タベースの中から指定された検索文字配列を検索する文
字配列検索方法において、(1)前記登録文字配列の両
末端を接続した環状の登録環状文字配列を想定し、前記
登録環状文字配列中に含まれる所定の長さ(kとする)
の部分文字配列を重複なく含む文字配列成分表を作成す
るステップと、(2)前記登録文字配列と前記文字配列
成分表を合わせて文字配列データベースへ登録するステ
ップと、(3)前記検索文字配列の両末端を接続した環
状の検索環状文字配列を想定し、前記検索環状検索文字
配列に含まれる前記所定の長さ(k)の文字配列から、
所定の方法により検索文字配列の部分集合を抽出するス
テップと、(4)所定の誤り許容率によって定められる
一定数よりも多く前記部分集合の中の文字配列を含む前
記登録文字配列を、前記文字配列成分表を参照して、前
記誤り許容率の以内の文字配列を抽出するための文字配
列成分表をサーチするステップと、(5)前記文字配列
成分表をサーチするステップによりえられた前記登録文
字配列を参照して、前記誤り許容率の以内の前記登録文
字配列を抽出するための文字配列をサーチするステップ
とを有することを特徴とする文字配列検索方法。6. A character sequence search method for searching a designated search character sequence from a character sequence database in which a plurality of character sequences are registered, wherein (1) a circular registration in which both ends of the registered character sequence are connected. Assuming a ring character array, a predetermined length (k) included in the registered ring character array
Creating a character array component table that includes the partial character arrays of the above without duplication, (2) registering the registered character array and the character array component table together in a character array database, and (3) the searched character array Assuming a circular search circular character sequence in which both ends of are connected, from the character sequence of the predetermined length (k) included in the search circular search character sequence,
Extracting a subset of the search character array by a predetermined method, and (4) converting the registered character array including the character array in the subset more than a fixed number determined by a predetermined error tolerance rate to the character The registration obtained by the step of searching a character array component table for extracting a character array within the error tolerance rate with reference to the array component table, and (5) searching the character array component table. A step of searching a character array for extracting the registered character array within the error tolerance rate by referring to the character array.
録文字配列ごとの前記部分文字配列のそれぞれに、前記
環状検索文字配列中に前記部分文字配列を含むか含まな
いかの情報を表わす1ビット情報が格納されるビット情
報格納領域が付与されており、前記文字配列成分表をサ
ーチするステップは、前記部分集合について前記登録文
字配列ごとに前記ビット情報格納領域を参照することを
特徴とする請求項6に記載の文字配列検索方法。7. In the character array component table, each of the partial character arrays for each of the circular registered character arrays has 1 bit indicating information indicating whether or not the partial character array is included in the circular search character array. A bit information storage area for storing information is provided, and the step of searching the character array component table refers to the bit information storage area for each of the registered character arrays for the subset. Item 6. The character array search method according to Item 6.
定の長さ(k)の文字配列から、所定の方法により検索
文字配列の部分集合を抽出するステップにおいて、前記
検索文字配列のいずれかの末端側の文字から文字数(ks
とする)ずつずらして順次前記所定の長さ(k)の文字
配列を得ていく操作を、文字配列の中に前記環状検索文
字配列における両末端を接続した部分を含まなくなるま
で行うことによって、前記検索文字配列の部分集合を抽
出することを特徴とする請求項7に記載の文字配列検索
方法。8. In the step of extracting a subset of the search character array by a predetermined method from the character array of the predetermined length (k) included in the circular search character array, any one of the search character arrays Number of characters (ks
By sequentially performing the operation of sequentially obtaining the character array having the predetermined length (k) by shifting until the character array does not include a portion connecting both ends of the circular search character array. The character array search method according to claim 7, wherein a subset of the searched character array is extracted.
の長さが等しいことを特徴とする請求項8に記載の文字
配列検索方法。9. The predetermined length (k) and the number of characters (ks)
9. The character array search method according to claim 8, wherein the characters have the same length.
り、組合せ可能な文字配列の種類数より少ないエントリ
のコードにマッピングすることにより、前記文字配列成
分表のビット情報格納領域の数を、前記組合せ可能な文
字配列の種類数より少なくすることを特徴とする請求項
2から請求項5のいずれか、あるいは請求項7から請求
項9に記載の文字配列検索方法。10. The number of bit information storage areas of the character array component table can be combined by mapping the code of the character array with the code of the entry that is smaller than the number of types of character arrays that can be combined by a hash function. The character array search method according to any one of claims 2 to 5, or 7 to 9, wherein the number of character arrays is smaller than the number of different character arrays.
塩基配列を表わすことを特徴とする請求項1に記載の文
字配列検索方法。11. The character sequence search method according to claim 1, wherein the character sequence represents a base sequence of DNA or RNA.
ことを特徴とする請求項1に記載の文字配列検索方法。12. The character sequence search method according to claim 1, wherein the character sequence represents an amino acid sequence.
む請求項1に記載の文字配列検索方法。13. The character array search method according to claim 1, wherein the character array includes a symbol character and a pictogram.
塩基配列を表わすことを特徴とする請求項6に記載の文
字配列検索方法。14. The character sequence search method according to claim 6, wherein the character sequence represents a base sequence of DNA or RNA.
ことを特徴とする請求項6に記載の文字配列検索方法。15. The character sequence search method according to claim 6, wherein the character sequence represents an amino acid sequence.
む請求項6に記載の文字配列検索方法。16. The character array search method according to claim 6, wherein the character array includes symbol characters and pictograms.
ータベースの中から指定された検索文字配列を検索する
文字配列検索方法において、(1)前記登録文字配列中
に含まれる所定の長さ(kとする)の連続する部分文字
配列を重複なく含み、これら部分文字配列に関する情報
を表す文字配列成分表を作成するステップと、(2)前
記登録文字配列と前記文字配列成分表を合わせて文字配
列データベースへ登録するステップと、(3)前記検索
文字配列中に含まれる前記所定の長さ(k)の文字配列
から、所定の方法により検索文字配列の部分集合を複数
回(iとする)抽出して前記検索文字列から複数個
(i)の部分集合を作成するステップと、(4)前記複
数個(i)の異なる部分集合のそれぞれに対して、所定
の誤り許容率によって定められる一定数よりも多く前記
各部分集合の中の文字配列を含む前記登録文字配列を、
前記文字配列成分表を参照して、前記部分集合の全てで
前記誤り許容率の以内の文字配列を抽出するための文字
配列成分表をサーチするステップと、(5)前記文字配
列成分表をサーチするステップによりえられた前記登録
文字配列を参照して、前記誤り許容率の以内の前記登録
文字配列を抽出するための文字配列をサーチするステッ
プとを有することを特徴とする文字配列検索方法。17. A character array search method for searching a specified search character array from a character array database in which a plurality of character arrays are registered, comprising: (1) a predetermined length included in the registered character array ( k)) including a continuous partial character array without duplication and creating a character array component table representing information about these partial character arrays; and (2) combining the registered character array and the character array component table (3) registering a subset of the search character array a plurality of times (referred to as i) from the character array of the predetermined length (k) included in the search character array by a predetermined method; Extracting a plurality of (i) subsets from the search character string, and (4) determining a predetermined error tolerance for each of the plurality of (i) different subsets. The registered character array containing a character array of a number the each subset than a certain number is fit,
Referring to the character array component table, searching a character array component table for extracting a character array within the error tolerance rate in all of the subsets; and (5) searching the character array component table. A step of searching for a character array for extracting the registered character array within the error tolerance rate with reference to the registered character array obtained by the step of performing a character array search method.
配列と前記登録文字配列との全ての組合せに対して、前
記部分文字配列が前記登録文字配列の中に含まれるか含
まれないかの情報を表わす1ビット情報が格納されるビ
ット情報格納領域が付与されており、前記文字配列成分
表をサーチするステップは、前記部分集合について前記
登録文字配列ごとに前記ビット情報格納領域を参照する
ことを特徴とする請求項17に記載の文字配列検索方
法。18. Whether the partial character array is included in the registered character array or not included in the character array component table for all combinations of the partial character array and the registered character array. Is provided with a bit information storage area for storing 1-bit information representing the above information, and the step of searching the character array component table refers to the bit information storage area for each of the registered character arrays for the subset. 18. The character array search method according to claim 17, wherein
文字配列のそれぞれから、互いに所定の長さ以上重複し
て、前記登録文字配列の全長を覆う複数個の部分文字配
列を含むことを特徴とする請求項17または請求項18
に記載の文字配列検索方法。19. The character array database includes a plurality of partial character arrays that overlap each other of the registered character arrays by a predetermined length or more and cover the entire length of the registered character arrays. Claim 17 or Claim 18
The character array search method described in.
の長さ(kとする)の文字配列から複数個(iとする)
の異なる部分集合を作成するステップにおいて、(イ)
前記検索文字配列のいずれかの末端側の文字から文字数
(ksとする)ずつずらして順次前記所定の長さ(k)
の文字配列を得ていく操作を複数回行ない一つの部分集
合を作成するステップと、(ロ)前記部分集合における
前記所定の長さ(k)の文字配列の抽出を開始した前記
検索文字配列中の文字から文字数(knとする)ずらし
て前記所定の長さ(k)の文字配列を抽出していく操作
を行なって新たな部分集合を作成するステップと、
(ハ)更にステップ(ロ)の手順操作を繰り返し、前記
所定の長さ(k)の文字配列からなる複数個(i)の異
なる部分集合を作成するステップを有することを特徴と
する請求項17に記載の文字配列検索方法。20. A plurality of strings (denoted by i) from the character array of the predetermined length (denoted by k) included in the search letter array.
In the step of creating different subsets of
The predetermined length (k) is sequentially shifted by the number of characters (k) from the character at the end of any one of the search character sequences.
The operation of obtaining a character array of a plurality of times to create one subset, and (b) in the search character array that has started extraction of the character array of the predetermined length (k) in the subset. Creating a new subset by performing an operation of shifting the number of characters (denoted as kn) from the characters of (1) to extract the character array of the predetermined length (k),
18. The method according to claim 17, further comprising the step of: (c) repeating the procedure of step (b) to create a plurality of (i) different subsets of the character array having the predetermined length (k). The character array search method described in.
s)の長さが等しいことを特徴とする請求項20に記載
の文字配列検索方法。21. The predetermined length (k) and the number of characters (k)
21. The character sequence search method according to claim 20, wherein s) have the same length.
特徴とする請求項20又は請求項21に記載の文字配列
検索方法。22. The character array search method according to claim 20, wherein the number of characters (kn) is equal to 1.
る)の部分集合を作成するステップにおいて、複数個
(i)の異なる所定の長さ(k1、…、kiとする)ご
とに区切った文字配列を、前記検索文字配列のいずれか
の末端側の文字から複数個(i)の異なる文字数(ks
1、…、ksiとする)ずつずらして複数回抽出して部
分集合を作成する操作を行なうことで、異なる複数個
(i個)の所定の長さ(ki)の文字配列からなる前記
個数(i)の部分集合を作成することを特徴とする請求
項17に記載の文字配列検索方法。23. In the step of creating a plurality (denoted as i) of subsets from the search character array, the plurality (i) are divided into different predetermined lengths (denoted as k1, ..., Ki). The character array includes a plurality of (i) different number of characters (ks) from the character at the end of any one of the search character arrays.
1, ..., Ksi) and extracting a plurality of times to create a subset, so that the number (i) of different character arrays of a predetermined length (ki) ( 18. The character array search method according to claim 17, wherein the subset i) is created.
(k1、…、kiとする)に対してそれぞれの長さ(k
1、…、ki)の文字配列からなる部分集合を作成する
ステップにおいて、前記検索文字配列のいずれかの末端
側の文字から所定の長さ(ki)の文字配列を文字数
(ksiとする)ずつずらしながら複数回抽出して一つ
の部分集合を作成した後、該文字配列の抽出を開始した
文字から文字数(knとする)ずらして前記所定の方法
を用いて所定の長さ(ki)の文字配列を抽出し部分集
合を作成する操作を繰り返して複数個の所定の長さ(k
i)の文字配列からなる異なった部分集合を作成し、さ
らに異なる長さ(ki’)に対して、同様の操作を行い
複数個の部分集合を作成し、これを所定の複数個(i)
の異なる長さ(ki)に対して行うことを特徴とする請
求項23に記載の文字配列検索方法。24. A plurality of (preferred to be i) different predetermined lengths (preferred to be k1, ..., Ki) and respective lengths (k)
1, ..., Ki) In the step of creating a subset consisting of character arrays, a character array having a predetermined length (ki) from one of the terminal characters of the search character array is counted by the number of characters (ksi). Characters of a predetermined length (ki) are shifted using the predetermined method by shifting the number of characters (denoted as kn) from the character at which the extraction of the character array is started after creating a single subset by extracting multiple times. The operation of extracting an array and creating a subset is repeated to obtain a plurality of predetermined lengths (k
i) Different sub-sets consisting of the character array are created, and the same operation is performed for different lengths (ki ') to create a plurality of sub-sets.
24. The character sequence search method according to claim 23, wherein the character sequence search is performed for different lengths (ki).
(ksi)の長さが等しいことを特徴とする請求項24
に記載の文字配列検索方法。25. The predetermined length (ki) and the number of characters (ksi) are equal in length.
The character array search method described in.
徴とする請求項24又は請求項25に記載の文字配列検
索方法。26. The character array search method according to claim 24 or 25, wherein the number of characters (kn) is 1.
ータベースの中から指定された検索文字配列を検索する
文字配列検索方法において、(1)前記登録文字配列の
両末端を接続した環状の登録環状文字配列を想定し、前
記登録環状文字配列中に含まれる所定の長さ(kとす
る)の部分文字配列を重複なく含む文字配列成分表を作
成するステップと、(2)前記登録文字配列と前記文字
配列成分表を合わせて文字配列データベースへ登録する
ステップと、(3)前記検索文字配列の両末端を接続し
た環状の検索環状文字配列を想定し、前記検索環状検索
文字配列に含まれる前記所定の長さ(k)の文字配列か
ら、所定の方法により検索文字配列の部分集合を複数回
(iとする)抽出するステップと、(4)前記複数個
(i)のことなる部分集合に対して、所定の誤り許容率
によって定められる一定数よりも多く前記各部分集合の
中の文字配列を含む前記登録文字配列を、前記文字配列
成分表を参照して、前記部分集合の全てで前記誤り許容
率の以内の文字配列を抽出するための文字配列成分表を
サーチするステップと、(5)前記文字配列成分表をサ
ーチするステップによりえられた前記登録文字配列を参
照して、前記誤り許容率の以内の前記登録文字配列を抽
出するための文字配列をサーチするステップとを有する
ことを特徴とする文字配列検索方法。27. A character sequence search method for searching a designated search character sequence from a character sequence database in which a plurality of character sequences are registered, wherein (1) a circular registration in which both ends of the registered character sequence are connected. Assuming a ring-shaped character array, creating a character array component table that includes, without duplication, a partial character array having a predetermined length (k) included in the registered ring-shaped character array, and (2) the registered character array And (3) registering the character array component table together with the character array component table in the character array database, and (3) assuming a circular search circular character array in which both ends of the search character array are connected, and including the search circular character array. Extracting a subset of the search character array a plurality of times (denoted as i) from the character array of the predetermined length (k) by a predetermined method, and (4) the different part of the plurality (i) The registered character array that includes more than a fixed number of character arrays in each of the subsets determined by a predetermined error tolerance rate, referring to the character array component table, all of the subsets. With reference to the registered character array obtained in the step (5) of searching a character array component table for extracting a character array within the error tolerance rate, and (5) searching the character array component table, And a step of searching a character array for extracting the registered character array within the error tolerance rate.
登録文字配列ごとの前記部分文字配列のそれぞれに、前
記環状検索文字配列中に前記部分文字配列を含むか含ま
ないかの情報を表わす1ビット情報が格納されるビット
情報格納領域が付与されており、前記文字配列成分表を
サーチするステップは、前記部分集合について前記登録
文字配列ごとに前記ビット情報格納領域を参照すること
を特徴とする請求項27に記載の文字配列検索方法。28. In the character array component table, each one of the partial character arrays for each of the circular registered character arrays represents 1 bit indicating whether or not the partial character array is included in the circular search character array. A bit information storage area for storing information is provided, and the step of searching the character array component table refers to the bit information storage area for each of the registered character arrays for the subset. Item 27. A character sequence search method according to Item 27.
所定の長さ(kとする)の文字配列から複数個(iとす
る)の異なる部分集合を作成するステップにおいて、
(イ)前記検索文字配列のいずれかの末端側の文字から
文字数(ksとする)ずつずらして順次前記所定の長さ
(k)の文字配列を得ていく操作を複数回行ない一つの
部分集合を作成するステップと、(ロ)前記部分集合に
おける前記所定の長さ(k)の文字配列の抽出を開始し
た前記環状検索文字配列中の文字から文字数(knとす
る)ずらして前記所定の長さ(k)の文字配列を抽出し
ていく操作を行なって新たな部分集合を作成するステッ
プと、(ハ)更にステップ(ロ)の操作を繰り返し、前
記所定の長さ(k)の文字配列からなる複数個(i)の
部分集合を作成するステップを有することを特徴とする
請求項27に記載の文字配列検索方法。29. In the step of creating a plurality of (denoted by i) different subsets from the character array of the predetermined length (denoted by k) included in the circular search character array,
(A) One subset in which the operation for sequentially obtaining the character array of the predetermined length (k) by shifting the number of characters (ks) from the character at the end of any one of the search character arrays is performed a plurality of times. And (b) shifting the predetermined length by shifting the number of characters (denoted as kn) from the character in the circular search character array that has started extraction of the character array of the predetermined length (k) in the subset. A step of creating a new subset by performing an operation of extracting a character array of length (k), and (c) the operation of step (b) are repeated to obtain the character array of the predetermined length (k). The character array search method according to claim 27, further comprising the step of creating a plurality (i) of subsets of
数(ksとする)の長さが等しいことを特徴とする請求
項29に記載の文字配列検索方法。30. The character array search method according to claim 29, wherein the predetermined length (denoted by k) and the number of characters (denoted by ks) are equal in length.
ことを特徴とする請求項29又は請求項30に記載の文
字配列検索方法。31. The character array search method according to claim 29 or 30, wherein the number of characters (denoted by kn) is equal to 1.
する)の部分集合を作成するステップにおいて、複数個
(i)の異なる所定の長さ(k1、…、kiとする)ご
とに区切った文字配列を、前記検索配列のいずれかの末
端側の文字から文字数(ks1、…、ksiとする)ず
つずらして複数回抽出して部分集合を作成する操作を行
なうことで、それぞれ異なる複数個(i)の所定の長さ
(ki)の文字配列からなる前記個数(i)の部分集合
を作成することを特徴とする請求項27に記載の文字配
列検索方法。32. In the step of creating a plurality (denoted as i) of subsets from the circular search character array, a plurality (i) are divided into different predetermined lengths (denoted as k1, ..., Ki). The plurality of different character arrays are extracted by shifting the character array from the character at the end of any one of the search sequences by the number of characters (ks1, ..., Ksi) and extracting a plurality of times. 28. The character array search method according to claim 27, wherein the number (i) of subsets of the character array of (i) having a predetermined length (ki) are created.
1、…、kiとする)の文字配列からなる部分集合を作
成するステップにおいて、前記検索文字配列のいずれか
の末端側の文字から所定の長さ(ki)の文字配列を文
字数(ks1、…、ksiとする)ずつずらしながら複
数回抽出して一つの部分集合を作成した後、該文字配列
の抽出を開始した文字から文字数(knとする)ずらし
て所定の長さ(ki)の文字配列を抽出し部分集合を作
成する操作を繰り返して複数個の所定の長さ(ki)の
文字配列からなる部分集合を作成し、さらにこの操作を
指定されたそれぞれの長さの文字配列に対して行うこと
を特徴とする請求項32に記載の文字配列検索方法。33. A plurality of (i) different lengths (k)
1, ..., Ki) in the step of creating a subset of character arrays, a character array having a predetermined length (ki) from the character on the terminal side of any one of the search character arrays is converted into the number of characters (ks1 ,. , Ksi) to create a single subset by extracting the character array a plurality of times, and then shift the number of characters (denoted as kn) from the character at which the extraction of the character array is started, and a character array of a predetermined length (ki). Is repeated and the operation of creating a subset is repeated to create a subset consisting of a plurality of character arrays of a predetermined length (ki), and this operation is performed for each character array of the specified length. 33. The character array search method according to claim 32, which is performed.
(ksi)の長さが等しいことを特徴とする請求項33
に記載の文字配列検索方法。34. The predetermined length (ki) and the number of characters (ksi) are equal in length to each other.
The character array search method described in.
徴とする請求項33又は請求項34に記載の文字配列検
索方法。35. The character array search method according to claim 33 or 34, wherein the number of characters (kn) is 1.
(iとする)の異なる部分集合を参照して検索するステ
ップにおいて、各部分集合を用いた検索結果をビット情
報で与え、それぞれの論理積を演算することにより最終
検索結果を得ることを特徴とする請求項17から請求項
35のいずれかに記載の文字配列検索方法。36. In the step of searching with reference to a plurality of (referred to as i) different subsets created from the search character array, a search result using each subset is given as bit information, and respective logical values are given. The character array search method according to any one of claims 17 to 35, wherein the final search result is obtained by calculating a product.
り、組合せ可能な文字配列の種類数より少ないエントリ
のコードにマッピングすることにより、前記文字配列成
分表のビット情報格納領域の数を、前記組合せ可能な文
字配列の種類数より少なくすることを特徴とする請求項
17から請求項35のいずれかに記載の文字配列検索方
法。37. The number of bit information storage areas of the character array component table can be combined by mapping the code of the character array with a hash function to a code of an entry smaller than the number of types of character arrays that can be combined. 36. The character array search method according to claim 17, wherein the number is smaller than the number of different character array types.
塩基配列を表わすことを特徴とする請求項17に記載の
文字配列検索方法。38. The character sequence search method according to claim 17, wherein the character sequence represents a DNA or RNA base sequence.
ことを特徴とする請求項17に記載の文字配列検索方
法。39. The character sequence search method according to claim 17, wherein the character sequence represents an amino acid sequence.
む請求項17に記載の文字配列検索方法。40. The character arrangement search method according to claim 17, wherein the character arrangement includes symbol characters and pictograms.
塩基配列を表わすことを特徴とする請求項27に記載の
文字配列検索方法。41. The character sequence search method according to claim 27, wherein the character sequence represents a DNA or RNA base sequence.
ことを特徴とする請求項27に記載の文字配列検索方
法。42. The character sequence search method according to claim 27, wherein the character sequence represents an amino acid sequence.
む請求項27に記載の文字配列検索方法。43. The character array search method according to claim 27, wherein the character array includes symbol characters and pictograms.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP17798994A JP3370787B2 (en) | 1993-08-10 | 1994-07-29 | Character array search method |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP5-198156 | 1993-08-10 | ||
JP19815693 | 1993-08-10 | ||
JP17798994A JP3370787B2 (en) | 1993-08-10 | 1994-07-29 | Character array search method |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH07105224A true JPH07105224A (en) | 1995-04-21 |
JP3370787B2 JP3370787B2 (en) | 2003-01-27 |
Family
ID=26498327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP17798994A Expired - Fee Related JP3370787B2 (en) | 1993-08-10 | 1994-07-29 | Character array search method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3370787B2 (en) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0991305A (en) * | 1995-09-27 | 1997-04-04 | Canon Inc | Method and device for information processing |
JPH105000A (en) * | 1996-06-27 | 1998-01-13 | Hitachi Ltd | Method for comparing dna amino acid sequence |
JPH1045795A (en) * | 1996-08-01 | 1998-02-17 | Fujitsu Ltd | Protein database system and estimation of protein function and functional site |
JPH10105574A (en) * | 1996-09-27 | 1998-04-24 | Hitachi Software Eng Co Ltd | Arrangement data similarity degree arithmetic unit |
JP2003167883A (en) * | 2001-11-30 | 2003-06-13 | Celestar Lexico-Sciences Inc | Array information processor, array information processing method, program and recording medium |
WO2003056460A1 (en) * | 2001-12-27 | 2003-07-10 | Center For Advanced Science And Technology Incubation, Ltd. | Method of calculating occurrence frequency of sequence, method of calulating degree of isolation and method of estimating degree of adequacy for primer |
WO2003056458A1 (en) * | 2001-12-27 | 2003-07-10 | Center For Advanced Science And Technology Incubation, Ltd. | Est arrangement mapping method and mapping program |
-
1994
- 1994-07-29 JP JP17798994A patent/JP3370787B2/en not_active Expired - Fee Related
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0991305A (en) * | 1995-09-27 | 1997-04-04 | Canon Inc | Method and device for information processing |
JPH105000A (en) * | 1996-06-27 | 1998-01-13 | Hitachi Ltd | Method for comparing dna amino acid sequence |
JPH1045795A (en) * | 1996-08-01 | 1998-02-17 | Fujitsu Ltd | Protein database system and estimation of protein function and functional site |
JPH10105574A (en) * | 1996-09-27 | 1998-04-24 | Hitachi Software Eng Co Ltd | Arrangement data similarity degree arithmetic unit |
JP2003167883A (en) * | 2001-11-30 | 2003-06-13 | Celestar Lexico-Sciences Inc | Array information processor, array information processing method, program and recording medium |
WO2003056460A1 (en) * | 2001-12-27 | 2003-07-10 | Center For Advanced Science And Technology Incubation, Ltd. | Method of calculating occurrence frequency of sequence, method of calulating degree of isolation and method of estimating degree of adequacy for primer |
WO2003056458A1 (en) * | 2001-12-27 | 2003-07-10 | Center For Advanced Science And Technology Incubation, Ltd. | Est arrangement mapping method and mapping program |
Also Published As
Publication number | Publication date |
---|---|
JP3370787B2 (en) | 2003-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4538449B2 (en) | String search method and equipment | |
JP3672242B2 (en) | PATTERN SEARCH METHOD, PATTERN SEARCH DEVICE, COMPUTER PROGRAM, AND STORAGE MEDIUM | |
Drew et al. | Polymorphic malware detection using sequence classification methods | |
KR100798609B1 (en) | Data sort method, data sort apparatus, and storage medium storing data sort program | |
US7640256B2 (en) | Data collection cataloguing and searching method and system | |
JP5183155B2 (en) | Batch search method and search system for a large number of sequences | |
Kucherov et al. | Multiseed lossless filtration | |
US7062499B2 (en) | Enhanced multiway radix tree and related methods | |
JPH09134363A (en) | Method and apparatus for retrieval of database | |
JPH06103497B2 (en) | Record search method and database system | |
JP2000163442A (en) | Symbol dictionary generating method and symbol dictionary retrieving method | |
US20220005546A1 (en) | Non-redundant gene set clustering method and system, and electronic device | |
JPH09288676A (en) | Full sentence index prepration device and full sentence data base retrieval device | |
Sirén et al. | Indexing finite language representation of population genotypes | |
JP3370787B2 (en) | Character array search method | |
US20030126138A1 (en) | Computer-implemented column mapping system and method | |
US8682900B2 (en) | System, method and computer program product for documents retrieval | |
WO2011073680A1 (en) | Improvements relating to hash tables | |
Allali et al. | The at-most $ k $-deep factor tree | |
Esmat et al. | A parallel hash‐based method for local sequence alignment | |
JP4181723B2 (en) | Index creating apparatus, index creating method, and recording medium | |
TWI785847B (en) | Data processing system for processing gene sequencing data | |
Kleffe et al. | ClustDB: A high-performance tool for large scale sequence matching | |
JPH08110910A (en) | Method for retrieving character array | |
Zheng | Theory and Practice of Low-Density Minimizer Sketches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
LAPS | Cancellation because of no payment of annual fees |