JPH08110909A - 配列検索方法および装置 - Google Patents

Abstract

(57)【要約】 【目的】 ＤＮＡ配列ならびにアミノ酸配列の検索を近
似スコアを用いて高速に行い、しかもダイナミックプロ
グラミング法による厳密なスコアに基づいてどの程度高
いスコアの配列を選びだしたかを明確にする。 【構成】 あらかじめ近似スコアとダイナミックプログ
ラミング法によるスコアの間に統計的なモデルを立て、
ある信頼係数が与えられた時にデータベース中の各配列
に対して、モデルに基づいて近似スコアからダイナミッ
クプログラミング法によるスコアの信頼区間の上限値を
求める。この上限値の上位の配列から順番にデータベー
スの配列を表示する。 【効果】 図１に表示されているスコア上限よりも高い
スコアを持つ配列は検索からもれていないことが明確に
なる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ＤＮＡ配列、アミノ酸
配列の照合に適した配列検索方法および装置に関する。

【０００２】

【従来の技術】近年、遺伝子工学の発展によりＤＮＡ配
列ならびにアミノ酸配列に関するデータが急増してい
る。ＤＮＡ配列を蓄積したデータベースであるＧｅｎＢ
ａｎｋには１９９３年４月現在、エントリー数１１１９
１１、総残基数１２９９６８３５５が収録されている。

【０００３】実験によって新しく決定された配列を問い
合わせ配列としてデータベースを使って検索を行う場
合、データベースから類似した配列を検索する相同性検
索（ホモロジーサーチ）が一般的である。相同性検索を
行う最も基本的な方法として、問い合わせ配列とデータ
ベース内の各配列との間でダイナミックプログラミング
法によるアライメントを行い、高いスコア順に各配列を
表示する方法がある。ダイナミックプログラミング法に
よるアライメントに関しては１９８１年発行のジャーナ
ル・オブ・モレキュラー・バイオロジー１４７巻１９５
ページに記載されている。

【０００４】ダイナミックプログラミング法による配列
１（ＣＡＧＴＧＡＴＣ）と配列２（ＣＴＣＴＧＴＣＡ）
のアライメントを図２を用いて説明する。ダイナミック
プログラミング法によるアライメントでは２次元メッシ
ュのＸ、Ｙ方向に添ってそれぞれ２本の配列を置き、メ
ッシュの各点をノードとして、ノード間には縦、横、斜
めの３方向の経路を考えた時に任意の２つのノード間を
左上から右下に向かう最適経路を求める。縦、横のアー
クは挿入・欠失に相当するためペナルティスコアがかか
り、また配列要素が対合する斜めのアークにも対合の種
類に応じたスコアが与えられる。これらのスコアを経路
に添って総計した合計スコアがもっとも高くなる経路を
ダイナミックプログラミング法によって解き最適なアラ
イメントを求める。ＤＮＡ配列同士のアライメントにお
いて一般的に用いられているスコアは、挿入・欠失のス
コアはｎ文字に対して―８ｎ―４点、一致した１文字の
スコアは４点、異なっている１文字のスコアは―３点で
ある。例えば図に示した経路でのスコアは９点である。

【０００５】ダイナミックプログラミング法によるアラ
イメントをデータベース内の全配列に対して行った場
合、問い合わせ配列長ｍとデータベースの配列長の総和
ｎに対してｍ×ｎのオーダーの計算量が必要とされる。
急速に増大しているデータベースのサイズを考えるとデ
ータベース内の全配列に対してダイナミックプログラミ
ング法によるアライメントを行うことは不可能である。

【０００６】ホモロジーサーチ・プログラムであるＦＡ
ＳＴＡについてはアカデミックプレス（Ａｃａｄｅｍｉ
ｃ Ｐｒｅｓｓ）より１９９０年に発行されたドゥーリ
トル（Ｄｏｏｌｉｔｔｌｅ）編集によるメソッヅ・イン
・エンザイモロジー（Ｍｅｔｈｏｄｓ ｉｎ ＥＮＺＹ
ＭＯＬＯＧＹ）の１８３巻６３ページに記載されてい
る。ＦＡＳＴＡではダイナミックプログラミング法によ
るスコアよりも少ない計算量で求められるｉｎｉｔｎ、
ｉｎｉｔ１と呼ばれるスコアを求めている。これらのス
コアは完全に一致する一定長の部分文字列を探し出し、
それらを繋ぎあわせて求める。ＦＡＳＴＡではこれらの
スコアが高い順に配列を表示しており、さらに上位の配
列に対してはダイナミックプログラミング法によるスコ
アを計算しＯＰＴという名で表示している。

【０００７】またホモロジーサーチ・プログラムである
ＢＬＡＳＴについては１９９０年発行のジャーナル・オ
ブ・モレキュラー・バイオロジー（Ｊｏｕｎａｌ ｏｆ
Ｍｏｌｅｃｕｌａｒ Ｂｉｏｌｏｇｙ）の２１５巻４
０３ページに記載されている。ＢＬＡＳＴでもダイナミ
ックプログラミング法によるスコアよりも少ない計算量
で求められるスコアを求めている。ＢＬＡＳＴではＦＡ
ＳＴＡにおけるｉｎｉｔ１よりも単純化したスコアを用
いている。ＢＬＡＳＴではＢＬＡＳＴ独自のスコア計算
のみであり、ダイナミックプログラミング法によるスコ
アの計算は行っていない。

【０００８】

【発明が解決しようとする課題】ＦＡＳＴＡおよびＢＬ
ＡＳＴなどのダイナミックプログラミング法によらない
スコア（以下近似スコアと呼ぶ）は類似した配列を検索
するための一つの基準として用いることは可能である
が、ダイナミックプログラミング法によるスコアほど厳
密なものではない。データをできる限り有効に用いるた
めにダイナミックプログラミング法によるスコアを用い
た検索が必要とされている。

【０００９】近似スコアとダイナミックプログラミング
法によるスコアの関係を図３に示す。図３は配列長２０
０文字のＤＮＡ配列とＧｅｎＢａｎｋ中の部分データベ
ースｅｓｔ中の各配列とのスコア計算を行い、ダイナミ
ックプログラミング法によるスコアとＦＡＳＴＡのｉｎ
ｉｔｎをそれぞれｘ、ｙにプロットしたものである。近
似スコアは一般的に図３に示すようにダイナミックプロ
グラミング法によるスコアと相関関係が有る。しかし相
関係数は１ではなく、また近似スコアによる順序関係は
ダイナミックプログラミング法によるスコアの順序関係
と異なっている。そのためデータベースから近似スコア
で上位の配列をいくつか取り出したとしても、ダイナミ
ックプログラミング法によるスコアではどの程度上位の
配列を取り出すことができたかが定量的に明らかではな
い。さらにダイナミックプログラミング法によるスコア
がある値以上の配列を漏れなく抜き出したい場合にはＦ
ＡＳＴＡのスコアもＢＬＡＳＴのスコアもまったく意味
がなく、データベース中のすべての配列に対してダイナ
ミックプログラミング法による計算を行わなければなら
ず極めて多くの計算量が必要とされる。これは従来の近
似スコアとダイナミックプログラミング法によるスコア
の関係、特にスコアの上限との関係が明らかでなかった
ためである。

【００１０】

【課題を解決するための手段】本発明ではあらかじめ近
似スコアとダイナミックプログラミング法によるスコア
の間に統計的なモデルを立てておく。ある信頼係数が与
えられた時にデータベース中の各配列に対して、モデル
に基づいて近似スコアからダイナミックプログラミング
法によるスコアの信頼区間の上限値を求める。この上限
値の上位の配列から順番にデータベース中の配列を表示
する。

【００１１】例えば図３でｉｎｉｔｎをダイナミックプ
ログラミング法によるスコアに対して一次回帰を行い直
線の傾き、切片とそれらの誤差を求める。これによりｉ
ｎｉｔｎに対してダイナミックプログラミング法による
スコアの推定値αが誤差σを含めて求められる。ダイナ
ミックプログラミング法によるスコアは９５％以上の確
率でα＋２σ以下であり、信頼係数９５％におけるダイ
ナミックプログラミング法によるスコアの上限値として
α＋２σである。

【００１２】

【作用】上記上限値が一定値ｘより低い配列は与えられ
た信頼係数のもとでダイナミックプログラミング法によ
るスコアがｘより低い配列である。言い換えると、上記
上限値が一定値ｘ以上の配列を取り出すことでダイナミ
ックプログラミング法によるスコアがｘ以上の配列を信
頼係数分取り出すことができる。特に信頼係数として１
００％を考えた場合にはダイナミックプログラミング法
によるスコアがｘ以上の配列を漏れなく抜き出すことが
できる。

【００１３】

【実施例】本発明を実現するための装置構成の摸式図を
図４に示す。あらかじめデータベースに対してスコア表
を作成しておく。スコア表はデータベース内の各配列と
一定長のあらゆる文字列とのダイナミックプログラミン
グ法によるスコアを計算した結果である。スコア表記憶
器１には上記スコア表を記憶させておく。

【００１４】検索の際は始めにデータベース各配列の近
似スコアを記憶しておく近似スコア記憶器２と一時スコ
ア記憶器８をすべて０にリセットし、検索配列を検索配
列記憶器３に記憶する。

【００１５】次にカウンタ４を０から増分させていく。
カウンタ４の出力は上位桁は部分配列取り出し器５に入
力され部分配列切り出し部分を指定し、下位桁はスコア
表記憶器１と近似スコア記憶器２と一時スコア記憶器８
に入力されデータベース配列番号を指定する。指定され
た各配列の近似スコアと一時スコアはそれぞれスコア記
憶器１４と１５に記憶される。検索配列記憶器３に接続
された部分配列取り出し器５によって検索配列は一定長
ｋ文字づつ切り出され、カウンタ４によって指定された
部分配列が部分配列記憶器６に記憶される。

【００１６】部分配列記憶器６の出力はスコア表記憶器
１に入力されカウンタ４で指定されたデータベース内の
各配列とのダイナミックプログラミング法によるスコア
がスコア表記憶器１から出力される。スコア表記憶器１
の出力は加算器７を用いてスコア記憶器１４のスコアと
加算される。加算器７の出力は比較器９で０と比較され
大きい値が出力され、スコア記憶器１４に書き戻され
る。比較器９の出力は、スコア記憶器１５のスコアと比
較器１０で比較され大きい値が再びスコア記憶器１５に
書き戻される。その後スコア記憶器１４と１５の内容は
それぞれカウンタ４で指定される一時スコア記憶器８と
近似スコア記憶器２の対応する部分に書き戻される。

【００１７】本実施例の表示例を図１に示す。カウンタ
４により検索配列から切り出されたすべての部分配列に
対してすべてのデータベース配列が走査しつくされた
ら、近似スコア記憶器２の各スコアをソーター１１によ
って大きいスコアの順に並べ変え、配列名称記憶器１３
によって対応する配列名称を求め表示器１２に表示す
る。更に近似スコアからあらかじめ求められていたモデ
ルに基づいてスコア推定器１６によってあらかじめ指定
された信頼係数のもとでのダイナミックプログラミング
法によるスコアを推定し誤差と共に表示する。

【００１８】図１では、信頼係数と共にソートの基準が
指定できるようになっており、図では信頼係数９０％、
ソート基準にはスコア上限を選択している。図１ではス
コア上限でソートしているが、スコアの推定値でソート
することも可能である。また推定値でないダイナミック
プログラミング法によるスコアが必要な場合にはダイナ
ミックプログラミング計算の部分をチェックする。その
場合、上位配列に対するダイナミックプログラミング法
によるスコアが計算される。

【００１９】本実施例で用いている近似スコアは図５に
示すように、検索配列を分割した部分配列とデータベー
ス配列とのダイナミックプログラミング計算を行った結
果を加算した結果となっている。図５において配列１は
検索配列、配列２はデータベース中の一配列である。近
似スコア計算においては検索配列を４文字づつの部分配
列ＣＡＧＴとＧＡＣＴに分割し、それぞれと配列２との
ダイナミックプログラミング法によるスコアを求める。
本実施例ではあらかじめデータベース内の各配列に対し
て４文字のあらゆる文字列とのダイナミックプログラミ
ング法によるスコア表を作成してある。そのためＣＡＧ
Ｔ、ＧＡＣＴと配列２とのダイナミックプログラミング
法によるスコアを求めるために計算する必要はなく、ス
コア表を参照するだけでよい。そして近似スコアはそれ
ぞれのダイナミックプログラミング法によるスコアの和
である１８となる。

【００２０】本実施例で用いている近似スコアは図６に
示すようにＦＡＳＴＡ、ＢＬＡＳＴなど従来の近似スコ
アと異なりダイナミックプログラミング法によるスコア
の上限値を与えるものとなっている。また近似スコアと
ダイナミックプログラミング法によるスコアはほぼ直線
関係に有り、最小二乗法による一次回帰が可能である。

【００２１】本実施例で用いている近似スコアを用いる
ことによりダイナミックプログラミング法によるスコア
の上限値、推定値、推定値の誤差を求めることができ
る。また本実施例ではほとんどスコア表記憶器１からの
出力を加算するだけの処理が必要とされるだけであり、
高速な近似スコア計算が可能である。

【００２２】本実施例で用いているスコア表に近い概念
としては日本語文書の全文検索に用いられている文字成
分表方式がある。文字成分表とはデータベース中の各文
書に対してある文字列が含まれているかいないかを１、
０の表としてあらわしたものである。日本語文書の全文
検索においては、検索語に含まれるすべての部分文字列
がデータベース中の各文書に対して含まれているかどう
かを文字成分表で調べる。そしてすべての部分文字列が
含まれている文書をデータベースから取り出してくる。

【００２３】日本語文書の検索と異なりスコアを計算す
る必要のあるＤＮＡ配列ならびにアミノ酸配列の検索に
おいても文字成分表方式を用いることが可能である。Ｄ
ＮＡ配列ならびにアミノ酸配列に文字成分表を応用する
場合には、検索配列中の部分配列がデータベース中の各
文書に対していくつ含まれているかを近似スコアとして
考えて、近似スコアの高い配列をデータベースから取り
出すことができる。この近似スコアは検索配列からｎ個
の部分配列が取り出せた場合、０からｎの値を取る。

【００２４】この近似スコアをＤＮＡ配列に用いた場
合、使用されている文字の種類が少ないために、十分長
い部分配列に対する文字成分表を使用しなければ、文字
成分表のほとんどの部分は１になってしまい、ほとんど
の配列でまったく同じ近似スコア、ｎしか得られなくな
ってしまう。また長い部分配列に対する文字成分表を用
いて近似スコアを求めた場合には、ｎが小さくなり検索
配列とどの程度似ているかを示す近似スコアとしての意
味がなくなってしまう。さらに長い部分配列に対する文
字成分表から求めた近似スコアでは一文字の置換、一文
字の挿入であっても、完全に違う部分配列と同じとみな
されてしまうため近似スコアに誤差が大きくなる。

【００２５】一方、本実施例の近似スコアの誤差の原因
は図２と異なり、図５のように部分配列同士の接続部分
で不連続となる経路でダイナミックプログラミング計算
を行ってしまうことだけである。部分配列が長くなれば
それだけ部分配列同士の接続部分が少なくなる。そのた
め文字成分表から求めた近似スコアと異なり、本実施例
では用いる部分配列が長いほど正確な近似スコアを得る
ことができる。

【００２６】ＤＮＡ配列の検索において部分配列の長さ
が８文字とすると、ＤＮＡ配列に用いられている文字は
４種類のため考えられる部分配列の種類は約７万であ
る。そこでデータベース中の配列数が３万とし、スコア
を１バイトで表わしたとすると本実施例で用いているス
コア表の大きさは約２ＧＢとなる。データベース中の各
配列の長さが１０００バイトの時、データそのものの大
きさは３０ＭＢである。スコア表の大きさはデータその
ものの大きさの６０倍以上であり、スコア表の圧縮が望
ましい。

【００２７】スコア表の読みだしは部分配列単位で行わ
れるため圧縮も部分配列単位で行う必要がある。可能な
圧縮方法は様々ある。各部分配列の行毎にハフマン符号
化、算術符号化などのエントロピー符号化を行った場
合、行単位では高い圧縮率を得られるが展開処理のため
の計算量が必要とされる。一文字だけが異なっているな
どの似た部分配列に対するスコアはデータベース内の各
配列共に近いため、似ている部分配列の行間で画像圧縮
に用いられている予測圧縮法を用いることもできる。ま
たスコアをまるめて２ビットで表わして１バイト中に４
つのスコアをまとめた場合、スコアの精度は悪くなるが
エントロピー符号化に比べて展開処理のための計算量が
少なくてすむ。スコアのまるめ処理には、例えばスコア
を８進数で表わして１の桁を切り上げて１０の桁だけを
スコア表に記録する方法がある。

【００２８】このようにスコアを表わすビット数が少な
い場合にはスコアの上位ビットと下位ビットを分けて２
つの表として持つことも可能である。スコア表が１ビッ
ト単位に分けられた場合には二値画像の圧縮に用いられ
ているランレングス符号化による圧縮を行うことができ
る。さらにこの場合には、スコアのすべてのビットを用
いた通常の近似スコア計算だけでなく、上位ビットだけ
を用いた近似スコア計算が可能である。上位ビットだけ
を用いる場合、スコア表は極めて小さくなるため場合に
よってはメモリー上に置くことも可能であり極めて高速
の近似スコア計算が実現できる。

【００２９】本実施例では、ダイナミックプログラミン
グ法によるスコアの上限値を与えるような近似スコアを
用いてダイナミックプログラミング法によるスコアを推
定することを例に示した。現在、ＤＮＡ配列とアミノ酸
配列の検索においてはＦＡＳＴＡとＢＬＡＳＴが一般的
に用いられている。そこでＦＡＳＴＡのスコア、または
ＢＬＡＳＴのスコアでダイナミックプログラミング法の
スコアを推定することも有効である。この場合にはよく
知られているＦＡＳＴＡやＢＬＡＳＴのスコアと合わせ
てダイナミックプログラミング法のスコアがどの程度で
あるかを知ることができる。ＦＡＳＴＡやＢＬＡＳＴの
スコアからは本実施例と異なり、信頼係数１００％でダ
イナミックプログラミング法のスコアの上限値を求める
ことはできない。しかし１００％よりも少ない信頼係数
のもとでの上限値を用いることは可能である。

【００３０】

【発明の効果】以上説明したように本発明によればダイ
ナミックプログラミング法を行わず近似スコアだけから
高速にしかも定量的にダイナミックプログラミングによ
るスコアの高い配列を取り出すことができる。

【図面の簡単な説明】

【図１】本発明の実施例の検索結果の表示画面を示す
図。

【図２】ダイナミックプログラミング法によるスコア計
算方法の説明図。

【図３】ダイナミックプログラミング法によるスコアと
従来の近似スコアの相関関係を示すグラフ。

【図４】本発明の実施例の装置のブロック図。

【図５】本発明の実施例における近似スコア計算方法の
説明図。

【図６】ダイナミックプログラミング法によるスコアと
実施例の近似スコアの相関関係を示すグラフ。

【符号の説明】

１…スコア表記憶器、２…近似スコア記憶器、３…検索
配列記憶器、４…カウンタ、５…部分配列取り出し器、
６…部分配列記憶器、７…加算器、８…一時スコア記憶
器、９…比較器、１０…比較器、１１…ソーター、１２
…表示器、１３…配列名称記憶器、１４…スコア記憶
器、１５…スコア記憶器、１６…スコア推定器。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 笠原 直子 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

Claims (3)

【特許請求の範囲】
1. 【請求項１】ダイナミックプログラミング法によるスコ
   アの近似値を算出することによって類似文字配列を検索
   する方法において、該近似値がダイナミックプログラミ
   ング法によるスコアの上限値であることを特徴とする配
   列検索方法。
2. 【請求項２】ダイナミックプログラミング法によるスコ
   アの近似値を算出することによって類似文字配列を検索
   する方法において、該近似値からダイナミックプログラ
   ミング法によるスコアの推定値を信頼区間と共に求め表
   示することを特徴とする配列検索方法。
3. 【請求項３】与えられた検索配列データから一定長の部
   分配列を切り出す部分配列取り出し器と、データーベー
   ス内の各配列に対して該部分配列をインデックスとして
   あらかじめ計算され記憶されている該部分配列と該配列
   とのダイナミックプログラミング法によるスコアを出力
   するスコア表記憶器と、データベース内の各配列に対し
   て前記スコアを加算する加算器と、検索配列と該配列と
   のダイナミックプログラミング法によるスコアの上限値
   としてスコアの加算結果を表示する表示器を備えること
   を特徴とする配列検索装置。