(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic(Luận văn thạc sĩ) Giải pháp song song cho vấn đề gom cụm trình tự Metagenomic
LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khác Tp Hồ Chí Minh, ngày 20 tháng năm 2021 iii LỜI CẢM ƠN Để hồn thành tốt luận văn này, trước tiên xin chân thành gửi lời cảm ơn đến TS Lê Văn Vinh, Thầy tận tâm bảo hướng dẫn suốt thời gian thực luận văn Tôi xin cảm ơn Thầy Phạm Tuấn Hiệp, hỗ trợ hệ thống máy chủ để tiến hành thực nghiệm nghiên cứu Tôi xin cảm ơn Quý Thầy Cô, người trực tiếp gián tiếp bảo giảng dạy giúp tơi có kiến thức cần thiết để thực luận văn Tơi xin cảm ơn gia đình bạn bè quan tâm giúp đỡ tạo điều kiện để tơi hồn thành tốt luận văn Tơi xin gửi lời cảm ơn chân thành đến tất người iv ABSTRACT Metagenomics is a discipline that allows the direct study of genetic materials collected from environments without isolating and culturing single organisms The study can help us deeply understand microbial communities and thus brings benefits in many fields, e.g biotechnology, earth science, agriculture Some early metagenomic projects use whole genome shotgun sequencing methods with Sanger sequencing technology However, the technique is expensive and takes a long time to produce sequences, while each project has to sequenced a large amount of DNA content Thanks to the development of the next-generation sequencing techniques such as Illumina, 454 pyrosequencing, SoLID sequencing which is able to produce a huge amount in acceptable time, metagenomic projects become feasible However, it also poses a computational challenge for research communities Due to a fact that microbial samples derived from their communities are sequenced directly without the isolation in laboratories, metagenomic datasets contain sequences belonging to different organisms Thus, one of the important tasks in metagenomic projects which is referred to as “binning” is to classify sequences into groups of closely related organisms Binning algorithms can be put into two categories of supervised and unsupervised methods Supervised methods use databases of available microbial sequences to guide binning processes Due to a fact that most of the microbes in our world are unknown, many binning methods use unsupervised learning strategies Those unsupervised methods focus on the aspect of classification quality, but not take computational performance into consideration This work proposes a parallelized binning algorithm integrating MPI and multithreading technologies, which is quite efficient to solve large metagenomic problems that are both data-intensive and compute-intensive Experimental results v indicate that the proposed method is able to reduce much computational time and utilize resources of high-performance systems efficiently vi TĨM TẮT Lĩnh vực metagenomics trực tiếp giải trình tự phân tích thơng tin hệ gen từ cộng đồng vi sinh vật mà không yêu cầu phân lập ni cấy cá thể Các nhiệm vụ phân tích metagenomic bao gồm phân loại phân tích cấu trúc chức cho tất hệ gen cộng đồng vi sinh vật Với tiến kỹ thuật giải trình tự hệ (Next Generation Sequencing - NGS), số lượng mẫu metagenomic kích thước liệu cho mẫu tăng lên nhanh chóng Thách thức phân tích liệu metagenomic bao gồm vấn đề độ xác chi phí tính tốn, đặc biệt có nhiều lồi mẫu metagenomic lồi có số lượng lớn trình tự Một nhiệm vụ quan trọng dự án metagenomic tốn gom cụm trình tự lồi có quan hệ gần Các giải pháp gom cụm chia thành hai nhóm chính, nhóm phương pháp có giám sát nhóm phương pháp khơng giám sát Các phương pháp có giám sát sử dụng sở liệu loài biết để gom cụm Do thực tế đa số loài vi sinh vật chưa biết đến nên nhiều giải pháp sử dụng chiến lược học không giám sát Các giải pháp không giám sát chủ yếu trọng đến chất lượng gom cụm mà không quan tâm đến hiệu tính tốn Nghiên cứu đề xuất giải pháp song song kết hợp vận dụng điểm mạnh công nghệ đa nhân (multi-core) đa node (multi-node) nhằm đáp ứng nhu cầu phân tích nhanh chóng hiệu cho việc phân tích liệu metagenomic mà cụ thể toán gom cụm trình tự Các kết thực nghiệm cho thấy giải pháp đề xuất giúp cải thiện đáng kể hiệu tốn mà khơng làm thay đổi độ xác kết vii MỤC LỤC LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN iii LỜI CẢM ƠN iv ABSTRACT v TÓM TẮT vii MỤC LỤC viii DANH MỤC CÁC HÌNH xi DANH MỤC BẢNG BIỂU xii Chương TỔNG QUAN 1.1 Giới thiệu Metagenomic 1.2 Bài tốn gom cụm trình tự metagenomic 1.3 Vấn đề tồn 1.4 Mục tiêu đề tài 1.5 Phạm vi giới hạn đề tài Chương CƠ SỞ LÝ THUYẾT 2.1 Cấu trúc sinh học gien hệ gien 2.2 Phân loại sinh vật 2.3 Quy trình xử lý liệu metagenomic 2.3.1 Thu thập mẫu thực nghiệm 2.3.2 Giải mã trình tự 2.3.3 Phân tích liệu 2.4 Đặc trưng sử dụng cho tốn phân loại trình tự 2.4.1 Tính tương đồng trình tự 10 2.4.2 Dấu hiệu hệ gien 10 2.4.3 Một số tính chất dựa quan sát trình tự DNA 12 2.5 Tính tốn song song 12 viii 2.5.1 Giới thiệu 12 2.5.2 Các mơ hình tính tốn song song 14 2.5.3 Các mơ hình hiệu hệ thống tính tốn song song 18 2.5.4 Giới thiệu OpenMP MPICH 21 Chương 23 TÌNH HÌNH NGHIÊN CỨU 23 3.1 Bài tốn gom cụm trình tự 23 3.1.1 Nhóm phương pháp sử dụng mơ hình chuỗi Markov 23 3.1.2 Nhóm phương pháp sử dụng phân phối tần số l-mer 23 3.1.3 Nhóm phương pháp sử dụng mức độ phong phú hệ gien 25 3.1.4 Nhóm phương pháp sử dụng đặc trưng kết hợp 25 3.2 Các giải pháp tính tốn hiệu cao 26 Chương 28 GIẢI PHÁP SONG SONG GOM CỤM TRÌNH TỰ METAGENOMIC 28 4.1 Các khái niệm liên quan 28 4.1.1 Gối đầu (overlap) 28 4.1.2 Tần số l-mer nhóm trình tự khơng gối đầu 28 4.1.3 Khoảng cách vector tần số l-mer 29 4.2 Tổ chức liệu 29 4.1.4 Các đối tượng 29 4.1.5 Bảng băm 30 4.1.6 Hàm băm 30 4.3 Giải pháp song song đề xuất 30 4.2.1 Song song trình tiền xử lý liệu 31 4.2.2 Gom nhóm trình tự xây dựng seed 34 4.2.3 Gom cụm nhóm 34 Chương 38 KẾT QUẢ THỰC NGHIỆM 38 5.1 Đánh giá kết 38 ix 5.2 Chuẩn bị thực nghiệm 39 5.2.1 Cơ sở liệu mô 39 5.2.2 Dữ liệu thực 40 5.3 Kết thực nghiệm 41 5.3.1 Thời gian xử lý BiMetaPL 41 5.3.2 Đánh giá độ tăng tốc (speedup) 42 5.3.3 Ảnh hưởng số xử lý tới hiệu 44 5.3.4 Ảnh hưởng số lượng máy ảo tới hiệu 46 5.3.5 Độ xác thuật tốn 48 Chương 50 KẾT LUẬN 50 6.1 Kết luận 50 6.2 Hướng phát triển 50 TÀI LIỆU THAM KHẢO 52 DANH MỤC CƠNG TRÌNH CƠNG BỐ 59 x DANH MỤC CÁC HÌNH Hình 2.1 Sự khác gien hệ gien Hình 2.2 Cấu trúc DNA Hình 2.3 Phân loại sinh vật Hình 2.4 Quy trình xử lý dự án metagenomics Hình 2.5 Các mơ hình tính tốn song song 14 Hình 2.6 Sơ đồ minh họa kiến trúc nhớ chia sẻ 15 Hình 2.7 Sơ đồ minh họa kiến trúc nhớ phân tán 15 Hình 2.8 Đường cong speedup 19 Hình 2.9 Speedup theo định luật Gustafson 20 Hình 4.1 Quy trình BiMetaPL 32 Hình 4.2 Mơ tả trình đọc file song song p tiến trình 33 xi DANH MỤC BẢNG BIỂU Giải thuật 4.1 Đọc liệu đầu vào xây dựng bảng băm 32 Giải thuật 4.2 Gom cụm nhóm 35 Giải thuật 4.3 Gom cụm song song 36 Bảng 5.1 Dữ liệu mô trình tự dài 39 Bảng 5.2 Dữ liệu mơ trình tự ngắn 40 Bảng 5.3 Kết xử lý song song tăng dần số tiến trình 41 Bảng 5.4 Speedup thuật toán 42 Bảng 5.5 Kết thực thi BiMetaPL tăng dần số xử lý 45 Bảng 5.6 Kết thực thi BiMetaPL mơ hình cụm máy tính 47 Bảng 5.7 Hiệu giải pháp gom cụm 49 Biểu đồ 5.1 Thời gian thực thi BiMetaPL liệu 42 Biểu đồ 5.2 Speedup BiMetaPL tăng dần số tiến trình 43 Biểu đồ 5.3 Speedup BiMetaPL kích thước liệu thay đổi 44 Biểu đồ 5.4 Thời gian thực thi liệu số xử lý thay đổi 46 Biểu đồ 5.5 Thời gian thực thi liệu số máy ảo thay đổi 48 xii TÀI LIỆU THAM KHẢO [1] J Handelsman, et al The New Science of Metagenomics: Revealing the Secrets of Our Microbial Planet Washington (DC): National Academies Press (US); 2007: 12-32 [2] Fiers, Walter, et al Complete nucleotide sequence of bacteriophage MS2 RNA: primary and secondary structure of the replicase gene Nature 260.5551 (1976): 500-507 [3] Sanger, F., Coulson, A R., Friedmann, T., Air, G M., Barrell, B G., Brown, N L., & Smith, M (1978) The nucleotide sequence of bacteriophage φX174 Journal of molecular biology, 125(2), 225-246 [4] Fleischmann RD, Adams MD, White O, Clayton RA, Kirkness EF, et al Whole-genome random sequencing and assembly of Haemophilus influenzae Rd." Science 269.5223 (1995): 496-512 [5] Handelsman J, Rondon MR, Brady SF, Clardy J, Goodman RM Molecular biological access to the chemistry of unknown soil microbes: a new frontier for natural products Chemistry & biology 5.10 (1998): R245-R249 [6] Rondon MR, August PR, Bettermann AD, Brady SF, Grossman TH, et al Cloning the soil metagenome: a strategy for accessing the genetic and functional diversity of uncultured microorganisms Applied and environmental microbiology 66.6 (2000): 2541-2547 [7] Wooley, John C., Adam Godzik, and Iddo Friedberg A primer on metagenomics PLoS Comput Biol 6.2 (2010): e1000667 [8] Qin, J., Li, R., Raes, J et al A human gut microbial gene catalogue established by metagenomic sequencing Nature 464.7285 (2010): 59-65 [9] Thomas, T., Gilbert, J & Meyer, F Metagenomics-a guide from sampling to data analysis Microbial informatics and experimentation 2.1 (2012): 52 [10] L Panawala, "Difference Between Gene and Genome", Feb 2017 Internet: https://www.researchgate.net/publication/313839958_Difference_ Between_Gene_and_Genome, 02/2021 [11] Alberts, B., Johnson, A., Lewis, J., Raff, M., Roberts, K., & Walter, P The structure and function of DNA In Molecular Biology of the Cell 4th edition Garland Science, 2002 [12] Woese, C R., Kandler, O., & Wheelis, M L (1990) Towards a natural system of organisms: proposal for the domains Archaea, Bacteria, and Eucarya Proceedings of the National Academy of Sciences, 87(12), 45764579 [13] Sanger F, Nicklen S, Coulson AR DNA sequencing with chain-terminating inhibitors Proceedings of the national academy of sciences 74.12 (1977): 5463-5467 [14] Shendure, J., Ji, H Next-generation DNA sequencing Nature biotechnology 26.10 (2008): 1135-1145 [15] Metzker, M L Sequencing technologies—the next generation Nature reviews genetics 11.1 (2010): 31-46 [16] J G Black, Microbiology, 8th ed US: Wiley, January 2012 [17] Bohlin J Genomic signatures in microbes - properties and applications The Scientific World Journal 2011;11:715-725 [18] Mesbah, M.K., Premachandran, U., & Whitman, W.B (1989) Precise Measurement of the G+C Content of Deoxyribonucleic Acid by HighPerformance Liquid Chromatography International Journal of Systematic and Evolutionary Microbiology, 39, 159-167, April 2011 [19] Muto A, Osawa S The guanine and cytosine content of genomic DNA and bacterial evolution Proc Natl Acad Sci USA 1987;84(1):166-169 [20] Sueoka N On the genetic basis of variation and heterogeneity of DNA base composition Proc Natl Acad Sci USA 1962 Apr 15;48:582–592 53 [21] Gori, F., Mavroedis, D., Jetten, M S., & Marchiori, E Genomic signatures for metagenomic data analysis: Exploiting the reverse complementarity of tetranucleotides In 2011 IEEE International Conference on Systems Biology (ISB) Sep 2011: 149-154 [22] Jeffrey, H J Chaos game representation of gene structure Nucleic acids research vol 18,8 (1990): 2163-70 [23] Saeed, I., & Halgamuge, S K The oligonucleotide frequency derived error gradient and its application to the binning of metagenome fragments BMC genomics Vol 10 No S3, 1-13 BioMed Central, 2009 [24] Dalevi D, Dubhashi D, Hermansson M Bayesian classifiers for detecting HGT using fixed and variable order markov models of genomic signatures Bioinformatics 2006;22(5):517-522 [25] Bohlin, J., Skjerve, E & Ussery, D.W Reliability and applications of statistical methods based on oligonucleotide frequencies in bacterial and archaeal genomes BMC genomics 9.1 (2008): 104 [26] Kelley, D.R., Salzberg, S.L Clustering metagenomic sequences with interpolated Markov models BMC Bioinformatics 11.1 (2010): 544 [27] Pengyu N.,Yun X.,Wenhua C., and Weihua P - Metabinning: Hybrid metagenomic fragments binning using l-mers repeats and composition In The 6th International Conferenceon Bioinformatics and Biomedical Engineering (iCBBE2012), China, pp 375- 378 [28] Wu YW, Ye Y A novel abundance-based algorithm for binning metagenomic sequences using l-tuples J Comput Biol 2011;18(3):523-534 [29] Tanaseichuk O., Borneman J., and Jiang T - Separating metagenomic short reads into genomes via clustering Algorithms Mol Biol 7.1 (2012): 27 [30] Wang Y., Leung H C., Yiu S M., and Chin F Y - Metacluster 5.0: a tworound binning approach for metagenomic data for low-abundance species in a noisy sample, Bioinformatics, 28 (18) (2012) pp i356-i362 54 [31] Wang Y., Leung H C., Yiu S M., and Chin F Y - Metacluster 4.0: a novel binning Algorithm for ngs reads and huge number of species, Journal of Computational Biology, 19 (2) (2012) pp 241-249 [32] Olga T., James B., and Tao J - A probabilistic approach to accurate abundance-based binning of metagenomic reads, Algorithms in Bioinformatics, 7534 (2012) pp 404-416 [33] Patterson, David A John L Hennessy (1998) Computer Organization and Design, Second Edition, Morgan Kaufmann Publishers, p 715 ISBN 155860-428-6 [34] Czarnul, P., Proficz, J., & Drypczewski, K Survey of methodologies, approaches, and challenges in parallel programming using high-performance computing systems Scientific Programming, 2020 [35] Message Passing Interface Forum, MPI: A message-passing interface standard version 3.0, Sep 2012 [36] Flynn, Michael J (September 1972) Some Computer Organizations and Their Effectiveness IEEE Transactions on Computers C-21 (9): 948–960 [37] Singh, I Review Article Review on Parallel and Distributed Computing Scholars Journal of Engineering and Technology (SJET), 2013, 218-225 [38] Amdahl, G.M., Validity of the single processor approach to achieving large scale computer capability, in Proceedings of AFIPS Spring Joint Computer Conference, April 1967: 483-485 [39] Gustafson, J L Reevaluating Amdahl’s law Communications of ACM, Vol.31(5), pp 532-533, 1988 [40] Andrey K., Srijak B., Jonathan D., and JoshuaS W Unsupervised statistical clustering of environmental shotgun sequences, BMC Bioinformatics, 10.1 (2009): 316 [41] T C & Z D Nguyen, "Markovbin: An algorithm to cluster metagenomic reads using a mixture modeling of hierarchical distributions In Proceedings of 55 the International Conference on Bioinformatics, Computational Biology and Biomedical Informatics 2013 (pp 115-123)" [42] Wang, Y., Hu, H., & Li, X MBBC: an efficient approach for metagenomic binning based on clustering BMC bioinformatics, 16(1) (2015): 36 [43] Yang B, Peng Y, Qin J, Chin FYL Metacluster: unsupervised binning of environmental genomic fragments and taxonomic annotation In Proceedings of the first ACM international conference on bioinformatics and computational biology 2010: 170–179 [44] Liao R, Zhang R, Guan J, Zhou S A new unsupervised binning approach for metagenomic sequences based on n-grams and automatic feature weighting IEEE/ACM Trans Comput Biol Bioinform 2014;11(1):42–54 [45] Wu, Y W., Simmons, B A., & Singer, S W MaxBin 2.0: an automated binning algorithm to recover genomes from multiple metagenomic datasets Bioinformatics, 32(4) 2016: 605-607 [46] Vinh, L.V., Lang, T.V., Binh, L.T et al A two-phase binning algorithm using l-mer frequency on groups of non-overlapping reads Algorithms Mol Biol 10, (2015): [47] Fiannaca, A., La Paglia, L., La Rosa, M., Renda, G., Rizzo, R., Gaglio, S., & Urso, A Deep learning models for bacteria taxonomic classification of metagenomic data BMC bioinformatics, 19(7), 2018, 61-76 [48] Le, V V., Van Lang, T., & Van Hoai, T MetaAB-A Novel Abundance-Based Binning Approach for Metagenomic Sequences In International Conference on Nature of Computation and Communication Nov 2014: 132-141 [49] Kang, D D., Froula, J., Egan, R., & Wang, Z MetaBAT, an efficient tool for accurately reconstructing single genomes from complex microbial communities PeerJ, (2015): e1165 [50] Alneberg, J., Bjarnason, B S., de Bruijn, I., Schirmer, M., Quick, J., Ijaz, U Z., & Quince, C CONCOCT: clustering contigs on coverage and composition arXiv preprint arXiv (2013):1312.4038 56 [51] Herath, D., Tang, S L., Tandon, K., Ackland, D., & Halgamuge, S K CoMet: a workflow using contig coverage and composition for binning a metagenomic sample with high precision BMC bioinformatics, 18(16) (2017): 571 [52] Lu, Y Y., Chen, T., Fuhrman, J A., & Sun, F COCACOLA: binning metagenomic contigs using sequence COmposition, read CoverAge, COalignment and paired-end read LinkAge Bioinformatics, 33(6) (2017): 791798 [53] Wood, D E., Lu, J., & Langmead, B Improved metagenomic analysis with Kraken Genome biology, 20(1), 2019, 257 [54] Liang, Q., Bible, P W., Liu, Y., Zou, B., & Wei, L DeepMicrobes: taxonomic classification for metagenomics with deep learning NAR Genomics and Bioinformatics, 2(1), 2020, lqaa009 [55] Van Le, V., Van Tran, H., Duong, H N., Bui, G X., & Van Tran, L Taxonomic assignment for large-scale metagenomic data on high-perfomance systems Journal of Computer Science and Cybernetics, 33(2), (2017): 119130 [56] Rasheed, Z., & Rangwala, H A map-reduce framework for clustering metagenomes In 2013 IEEE International Symposium on Parallel & Distributed Processing, Workshops and Phd Forum (2013, May): 549-558 [57] Yang, X., Zola, J., & Aluru, S Large-scale metagenomic sequence clustering on map-reduce clusters Journal of bioinformatics and computational biology, 11(01) (2013): 1340001 [58] Su, X., Xu, J., & Ning, K Parallel-META: efficient metagenomic data analysis based on high-performance computation BMC systems biology, 6(S1) (2012): S16 [59] Su, X., Pan, W., Song, B., Xu, J., & Ning, K Parallel-META 2.0: enhanced metagenomic data analysis with functional annotation, high performance computing and advanced visualization PloS one, 9(3) (2014): e89323 [60] Zhou F, Olman V, Xu Y Barcodes for genomes and applications BMC Bioinformatics 9.1 (2008): 1-11 57 [61] Chor B, David Horn NG, Levy Y, Massingham T Genomic dna k-mer spectra: models and modalities Genomic Biol 2009;10(10):R108 [62] Pham, D T., Dimov, S S., & Nguyen, C D 2005 Selection of K in K-means clustering Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 219(1), 103-119 [63] Richter DC, Ott F, Auch AF, Schmid R, Huson DH Metasim - a sequencing simulator for genomics and metagenomics PLoS ONE 2008;3(10):e3373 [64] Girotto, S., Pizzi, C., & Comin, M MetaProb: accurate metagenomic reads binning based on probabilistic sequence signatures Bioinformatics, 32(17) (2016): i567-i575 [65] Tyson GW, Chapman J, Hugenholtz P, Allen EE, Ram RJ, Richardson PM, et al Community structure and metabolism through reconstruction of microbial genomes from the environment Nature 2004;428(6978):37–43 [66] Masud, M A., Rahman, M M., Bhadra, S., & Saha, S Improved k-means Algorithm using Density Estimation In 2019 International Conference on Sustainable Technologies for Industry 4.0 (STI) (Dec 2019): 1-6 [67] Krishna, K., & Murty, M N Genetic K-means algorithm IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 29(3) (1999): 433439 58 DANH MỤC CƠNG TRÌNH CÔNG BỐ Vu Hoang, Vinh Le Van, Hoai Tran Van, Lang Tran Van and Bao Huynh Quang Parallel algorithm for the unsupervised binning of metagenomic sequences ICMLSC 2021, The 5th International Conference on Machine Learning and Soft Computing (ACM Conference Proceedings), Sanya, China, January, 2021 59 60 61 62 63 64 65 ... không nhỏ cho nhà nghiên cứu 1.2 Bài tốn gom cụm trình tự metagenomic Bài tốn gom cụm trình tự metagenomic vấn đề quan trọng cần giải phân tích liệu metagenomic Mục tiêu tốn phân chia trình tự (gọi... cho tốn gom cụm trình tự Hay giải pháp Yang cộng [57] sử dụng mơ hình map-reduce cho tốn gom cụm phân loại trình tự đồng thời xây dựng giải pháp metagenomic dựa mơ hình đám mây (cloud) Giải pháp. .. tự 2.3.2 Giải mã trình tự Giai đoạn mẫu DNA tiến hành giải mã trình tự Giải mã trình tự việc xác định dãy nucleotide tạo nên trình tự Phương pháp Sanger [13] cơng nghệ giải mã trình tự sử dụng