Proposta de um índice biológico persistente baseado em vetores de sufixo generalizados

Resumo

Com o avanço tecnológico, a quantidade de dados biológicos (ou seja, sequências de DNA e de proteínas) coletados, armazenados em bancos de dados biológicos (BDBs) e disponíveis para análise tem aumentado exponencialmente. Desde que diversos avanços na medicina têm sido obtidos por meio de pesquisa por similaridade em sequências biológicas, surge o desafio de pesquisar eficientemente esses BDBs muito volumosos. Para auxiliar essas pesquisas, existem os índices e, dentro do contexto de bioinformática, o vetor de sufixo é uma estrutura de dados muito utilizada na proposta de índices para aplicações que envolvem pesquisa por similaridade em sequências biológicas. Desafios relacionados ao uso de vetores de sufixo referem-se à construção do vetor de sufixo para grandes sequências de entrada, o armazenamento e a manipulação eficiente de sua estrutura de dados em memória secundária (ou seja, disco), e a indexação de conjuntos de sequências biológicas por meio de vetores de sufixo generalizados. Na literatura, trabalhos correlatos que usam vetores de sufixo para a indexação de sequências biológicas apresentam limitações que motivam o desenvolvimento de novas pesquisas. Por um lado, trabalhos que usam vetores de sufixo generalizados são direcionados apenas à memória primária e, portanto, não vislumbram o armazenamento persistente do vetor de sufixo em disco. Por outro lado, trabalhos voltados à manipulação de vetores de sufixo em disco vislumbram uma melhor organização do índice para diminuir números de acesso a disco, porém eles não enfocam vetores de sufixo generalizados. Essas limitações motivam o desenvolvimento deste projeto de mestrado, o qual tem por objetivo propor um novo índice biológico persistente baseado em vetores de sufixo generalizados. O índice a ser desenvolvido, portanto, avança no estado da arte da pesquisa em indexação em BDBs de forma a preencher essa lacuna existente na literatura. (AU)