可扩展的蛋白质组学大数据存储与分析模型研究

With the rapid development of high throughput mass spectrometry, the volume of Proteomics data increases sharply and the formats of data varies broadly. These facts indicate that the Proteomics data already becomes Big Data. The recently started up “China Human Proteome Project” will produce a whole lot of data which could influence Chinese biology and medical science significantly. The Proteomics data based high performance biology knowledge discovery platforms are needed eagerly, therefore investigating Big Data storage and analysis models for Proteomics data has high research significance and broad application prospect. This proposal plans to study on the scalable Big Data storage, management, and analysis models of Proteomics data: (1). Study on the data characteristics of Proteomics data and the “Concept layer, Logic Abstract layer and Physics layers” multilayers data storage model which is scalable on data volume and function; (2). Study on the “Extraction, Transformation and Loading (ETL)” process to integrate various Proteomics data sources. (3). Study on the high performance sequence search algorithm in peptide and protein identification and quantification, which is a kernel analysis algorithm. Through the above studies, the effective Proteomics Big Data management and analysis mechanics can be established, so as to promote the further development of China’s biological and information industries.

随着高通量质谱测序的快速发展，蛋白质组学数据量迅速增加、数据格式多样化，呈现出明显的大数据特征；刚启动的“中国人类蛋白质组计划”也即将产生对中国生物、医学界影响深刻的大数据，迫切需要高效的生物知识发现平台解读数据。因此研究蛋白质组学数据基于大数据思想的存储和分析模型具有重要的理论意义和广泛的应用前景。本项目旨在研究可扩展的面向蛋白质组学大数据的存储、管理和分析模型: (1).研究蛋白质组学的数据特征以及具备数据集和功能可扩展性的“概念层-逻辑抽象层-物理层”分层数据模型；(2).研究多数据源汇集整合的“抽取-转换-导入”（ETL）流程；(3). 研究基于大数据存储模型的核心分析算法——高效序列搜索算法。通过以上研究，为蛋白质组组学提供有效的大数据管理和分析机制，推动我国生物和信息产业的进一步发展。

随着高通量质谱测序的快速发展，蛋白质组学数据量迅速增加、数据格式多样化，呈现出明显的大数据特征；刚启动的“中国人类蛋白质组计划”也即将产生对中国生物、医学界影响深刻的大数据，迫切需要高效的生物知识发现平台解读数据。因此研究蛋白质组学数据基于大数据思想的存储和分析模型具有重要的理论意义和广泛的应用前景。..本项目旨在研究可扩展的面向蛋白质组学大数据的存储、管理和分析模型: 1)基于分层思想建立了蛋白质组学大数据存储模型和ETL流程、软件生态系统，开发了适用于用户编程访问数据存储系统的Restful API；2)发展了新的质谱图鉴定、质控方法和系统(Phoenix Enhancer系统)，它基于蛋白质组学大数据聚类结果PRIDE Cluster和前述存储模型，可以对未鉴定的质谱图进行新的PSMs发现和对已有的蛋白/肽段鉴定进行质量评估的，还发展了在未鉴定蛋白质组学质谱图中鉴定内源肽的新方法；3)发展了多组学实验数据索引系统OmicsDI，OmicsDI针对数据组学数据库分分散不易有效查询和利用的问题，召集20余家组学数据库，共同建立了多组学数据索引系统。..- 蛋白质组学大数据存储平台、数据处理流程和网络服务API为蛋白质组学数据的计算分析提供了蛋白质组学大数据资源存储范式和工具。.- 集蛋白质组学数据挖掘、PSM质量控制和新PSM鉴定等功能于一体的一站式服务平台Phoenix Enhancer，帮助生物学家在之前未鉴定的蛋白质组学数据中鉴定出更多的肽段信息，为挖掘更多的生物学知识提供有力的支撑。.- OmicsDI为生物医学研究人员查询多组学数据提供了一个整合的检索入口，数据挖掘算法和高效的可视化软件成为他们发现潜在的数据关系的重要助手。.- 新的iProX是中国第一家蛋白质组学数据库系统，它的成功打破了西方在这一领域的垄断地位，为我国和国际（特别是东亚地区）大量蛋白质组学数据提供了方便、高效的数据共享、下载服务。..通过以上研究，为蛋白质组组学提供有效的大数据管理和分析机制，推动我国生物和信息产业的进一步发展。