Kет 10 (чуть поболе) назад работал в институте молекулярной генетики, в отделе непосредственно связанным с мат.анализом этих самых науклеотидных последовательностей. Соответсвенно имел дело и с БД таких последовательностей. В то время форматов БД было несколько (не меньше 4х), нов общих чертах они были похожи. Кажадя запись имела загловок с перечнем полей, описывающих ее (что-то типа "организм", "когда" и "где была получена" и т.д. и т.п.) и сама последовательность. Фишка в том, что поскольку нуклеотидная последовательность использует по большому счету 4 символа (правда в ДНК и в РНК они немножко разные) то эту последовательнось хранят в сильно сжатом виде - пракитчески 2 бита на символ. СУБД не было - для работы с БД, представляющей собой набор файлов, прилагались библиотеки, реализующие функции типа поиск по полям извлечение последовательности и .т.д. и т.п. . Самая большая проблема была - объем. Еcли учесть что тогда работали на DOS 3.3 где объем диска ограничен 32 мегабайтами (если не ошибаюсь), то приходилось изврашаться по всякому какие то оособые драйвера дисков, хитрые програмно-управляемые накопители на ленточках, жуткодорогая (в то время) магнитооптика......

Помню, библиотеки приходили на С, а я их переделывал под С++ , пытаясь изобразить некий абстрактный класс со стандартными методами для работы с любым форматом, ну и его реализации - для каждого формата своя. Уже не помню - сделал или нет....

О! так там же все написано!

.......Узнаю знакомые слова - GenBank, EMBL :)

Кстати... оценивая общий объем этих файлов и этих файлов , что то не вижу я тут терабайтов... максимум 100 гигов для многих организмов. Например файл с гворящим названием human_genomic.gz вести 814 мегов - то есть около 3 гигов в распакованном виде.

Забавно это все читать, ей-богу....:) По уровню осведомлености спорщиков - это покруче, чем спор Каше vs. Все остальное....Предлагается использовать "Одна ген. последовательность" LIKE "другая ген. последовательность"......и куда же тут индексы впихнуть??? АГА!!! Ребяты - вы о чем? я уже почти нифига не помню, но что сам делал - это использование для расссчета того самого "коэффициента похожести" марковских цепей длиной 64 элемента, причем каждый элемент представлял собой 3 нуклеотида имеет свой вес и вот такая хренотень вычисляется на участке длиной в 50000 нуклеотидов....а участков таких несколько тысяч.......я рассчет запускал и неделю мог смело на работу не ходить... ну конечно, на 386-м процессоре с мат.сопроцессором....зато и БД тогда наверняка на порядок меньше были......Время рассчета таких "коэффициентов" несравненно больше, чем время работы с БД.......Какие, нафиг, индексы? :)

Зачем это нужно и почему так сложно. Наверное потому,что никто не знает, как вся эта штука работает и все хотят узнать как. Некоторые вещи известны и даже прочитан весь человеческий геном, но это как книга на незнакомом языке

Вот одна из задач. Мой пример очень приблизительный (реальные названия нуклеотидов не используются, никаких точных последовательностей я не помню). Например известен ген "мамамылараму" то есть точно выяснено, что эта последовательность является является реально кодирующей. В геноме она может быть разбита на куски (экзоны) которые разбиты некодирующими участками - интронами. И вот выделил кто-то цепь - "аамамамымамамырмуаамммаарыыамыларрмуамыамуумаамыамурмууумаммамаылараму", и ему нужно узнать, есть ли в такой цепи этот ген (или другие гены)? Конечно, уже известны некоторые вещи - например , что последовательность "амы" обозночает начало экзона, "рму" - конец. Однако эти же куски могут встречаться и в других местах экзонов и интронов, где они несут другой смысл (или никакого смысла). И еще известна куча других закономерностей (которые иногда могут и не выполняться). И после такого разбора ...

аамамамымамамырмуаамммаарыыамыларрмуамыамуумаамыамурмууумаммамылараму

...в результате должно получиться...

аамамамы мамамы рмуаамммаарыыамы лар рмуамыамуумаамы аму рмууумаммамаылараму

...хотя , если сравнивать в лоб (типа использовать очень сложный LIKE:) ), то может получиться и...

аа мамамы мамамырмуаамммаарыыамыларрмуамуамыумаамыамурмууумаммамаы лараму

...и как то еще , и все это будут неверные ответы. Я еще раз повторю, что мой пример абсолютно надуман и схематичен. Все еще гораздо сложнее. и есть другие задачи и для их решения используется всевозможные математические методы. В общем БД здесь дело далеко не первое.