Universidade de Brasília Instituto de Ciências Exatas Departamento de Ciência da Computação

Transcrição

1 Universidade de Brasília Instituto de Ciências Exatas Departamento de Ciência da Computação Uso da técnica de deduplicação para armazenamento de dados biológicos em storage Marcos Figueiredo Junior Robison Lima Oliveira Monografia apresentada como requisito parcial para conclusão do Bacharelado em Ciência da Computação Orientador Prof. a Dr. a Maristela T. Holanda Coorientador Prof. a Dr. a Maria Emília M. T. Walter Brasília 2011

2 Universidade de Brasília UnB Instituto de Ciências Exatas Departamento de Ciência da Computação Bacharelado em Ciência da Computação Coordenador: Prof. Dr. Marcus Vinicius Lamar Banca examinadora composta por: Prof. a Dr. a Maristela T. Holanda (Orientador) CIC/UnB Prof. a Dr. a Aleteia Patricia CIC/UnB Prof. a Dr. a Mylene Christine Queiroz de Farias CIC/UnB CIP Catalogação Internacional na Publicação Junior, Marcos Figueiredo. Uso da técnica de deduplicação para armazenamento de dados biológicos em storage / Marcos Figueiredo Junior, Robison Lima Oliveira. Brasília : UnB, p. : il. ; 29,5 cm. Monografia (Graduação) Universidade de Brasília, Brasília, iscsi, 2. SAN, 3. DAS, 4. NAS, 5. FCP, 6. Storage, 7. Deduplicação CDU Endereço: Universidade de Brasília Campus Universitário Darcy Ribeiro Asa Norte CEP Brasília DF Brasil

3 Universidade de Brasília Instituto de Ciências Exatas Departamento de Ciência da Computação Uso da técnica de deduplicação para armazenamento de dados biológicos em storage Marcos Figueiredo Junior Robison Lima Oliveira Monografia apresentada como requisito parcial para conclusão do Bacharelado em Ciência da Computação Prof. a Dr. a Maristela T. Holanda (Orientador) CIC/UnB Prof. a Dr. a Aleteia Patricia CIC/UnB Prof. a Dr. a Mylene Christine Queiroz de Farias CIC/UnB Prof. Dr. Marcus Vinicius Lamar Coordenador do Bacharelado em Ciência da Computação Brasília, 08 de Fevereiro de 2011

4 Dedicatória Dedicamos a todos aqueles que buscam de forma incessante aprimorar e desenvolver o conhecimento científico afim de tornar a sociedade um lugar melhor para se viver. i

5 Agradecimentos Agradecemos a nossa família pelo apoio que nos foi dado durante toda a graduação. Também agradecemos companheirismo de nossos amigos. Agradecemos também a nossa professora orientadora Dra. Maristela Holanda que nos dedicou sua paciência e conhecimento nos ajudando realizar este trabalho, assim como a nossa co-orientadora Dra. Maria Emilia Walter. ii

6 Resumo A ciência da computação enfrenta grandes desafios na área de armazenamento de dados. Paralelamente uma das áreas do conhecimento humano que mais avança é a biologia molecular. Com a evolução das técnicas dessa área, cresce também o volume de informações que precisam ser guardadas. Dessa forma a ciência da computação busca resolver o desafio de guardar grandes quantidades de dados com espaço reduzido. Neste trabalho foi abordado uma possível solução para esse problema que deve estar em evidência por um bom tempo. Palavras-chave: iscsi, SAN, DAS, NAS, FCP, Storage, Deduplicação iii

7 Abstract The computer science faces great challenges in data storage area. Simultaneosly, one of the most advanced human knowledge area is molecular biology. With the evolution of techniques in these areas, also grows the volumes of information that needs to be storaged. By this way, the computer science try to solve the challenge of store a huge number of data in a small phisical space. These work discusse about a possible solution for that problem. Keywords: iscsi, SAN, DAS, NAS, FCP, Storage, Deduplicação iv

8 Sumário 1 Introdução Objetivos Estrutura do trabalho Biologia Molecular Origem da Vida Biologia Molecular Proteínas Ácidos Nucléicos DNA RNA Bioinformática Arquivos FASTA Sistemas de storage Histórico Arquitetura do storage Portas Dispositivos físicos de armazenamento Cache Controladora Desempenho de storage com dados biológicos Topologias de storage Direct Attached Storage Interno Externo Vantagens e Desvantagens Network Attached Storage Vantagens e Desvantagens Storage Area Network Vantagens e Desvantagens Redundant Array of Independent Drivers Deduplicação Introdução Armazenamento em disco Deduplicação baseada em catálogo hash e tabela de pesquisa v

9 4.4 Utilização de blocos em tamanho variável e fixo Inline e Postprocessing Deduplicação na origem e destino Técnicas de Deduplicação Zetta Byte Filesystem Deduplication OpenDedup Write Anywhere FileLayout Deduplication Aplicando Deduplicação em Dados Biológicos: Um Estudo de Caso Análise comparativa dos software de deduplicação Ambiente Computacional Descrição do ambiente computacional utilizando storage Descrição do ambiente computacional utilizando disco solitário Análise dos dados biológicos Resultados Obtidos ZFS WAFL Opendedup Análise dos resultados Análise da disponibilidade dos dados e velocidade de acesso aos dados Conclusões Trabalhos futuros Referências 54 vi

10 Lista de Figuras 1.1 Gráfico de crescimento dos dados Composição do aminoácido Estruturas das proteínas Os vinte aminoácidos que compõem as proteínas Estrutura do nucleotideo Estrutura da Timina, Adenina, Citosina e a Guanina Base A-T BASE C-G Dupla-hélice do DNA Estrutura do RNA Exemplo de um arquivo FASTA Arquitetura do Storage, adaptado de [TEM09] Comunicação entre duas controladoras. (Arrumar esta figura) Arquiteturas de storage [TEM09] Modelo Direct Attached Storage [TEM09] Modelo NAS Modelo SAN, adaptado de[tem09] RAID RAID RAID RAID Comparação dos métodos de instância única e de sub arquivo Exemplo de um sistema que não utiliza algoritmo de deduplicação [Hop07] Exemplo de um sistema que utiliza algoritmo de deduplicação por catálogo [Hop07] Exemplo de um sistema que utiliza algoritmo de hash[ao10] Exemplo do algoritimo que utiliza a indexação por catalogo[ao10] Exemplo de uma tabela de indexação [AO10] Exemplo dos métodos de bloco de tamanho fixo e variável Demonstração do processo inline[tea09b] Demonstração do processo postprocessing [Tea09b] Demonstração do processo de deduplicação na origem [Hop07] Demonstração do processo de deduplicação no destino [Hop07] Visão física da conexão entre o Chassis e ostorage DS vii

11 5.2 Visão lógica da topologia utilizada para comunicação entre storage e as lâminas de processamento Máquina windows conectada ao disco Gráfico de distribuição por tipo de dados Trecho de um arquivo FASTA Gráfico como volume de dados(gb) X Taxa de deduplicação para ZFS Gráfico Volume de dados(gb) vs Taxa de Deduplicação para WAFL Gráfico Volume de dados(gb) vs Taxa de deduplicação para Opendedup Gráfico com Vazão de dados(mb/s) X Tempo(segundos) viii

12 Lista de Tabelas 5.1 Tabela comparativa entre os softwares testados ix

13 Capítulo 1 Introdução O modo de trabalhar com a grande quantidade de dados que o ser humano e suas máquinas produzem diariamente torna-se cada vez mais complexo e exige cada vez mais esforços e criatividade dos cientistas para tornar esses dados acessíveis e produtivos. Muitos estudos, como mostra a Figura 1.1, apontam que a quantidade de dados já produzida até hoje ultrapassa a casa dos 4 a 5 Exabytes(10 seguidos de 18 zeros). Alguns pesquisadores também apontam que a quantidade de informações geradas dobra a cada 18 meses [Shr09]. O conhecimento humano é a principal fonte geradora dessas informações, porém máquinas inteligentes já são capazes de gerar e interpretar um número muito grande de novas informações. Obviamente, a informática e os computadores tem um papel relevante nesse grande volume de dados existentes. Seria impossível imaginar tanta informação concentrada apenas em papéis, provavelmente não teríamos espaço físico na Terra para armazenar tantos objetos. Mesmo em computadores e com programas bem projetados é difícil conseguir gerir e manter controle sobre tudo isso. Gerenciar esse grande volume de dados além de complexo é importante pois implica em impactos financeiros a muitas nações. Por exemplo, muitas nações possuem leis que obrigam instituições financeiras a guardarem informações por um longo período de tempo para eventuais auditorias e prestações de contas. A lei mais famosa do Mundo referente a esse tipo de assunto conhecida como Sarbanes-Oxley, foi instituída nos Estados Unidos e afeta todos os países que possuem relações comerciais com o mesmo [Pre02]. Normalmente os dados podem ser classificados como estruturados e não-estruturados. Os dados estruturados representam a minoria dos dados existentes e normalmente estão presentes em bancos de dados e registros de computadores. Os dados não-estruturados são os arquivos de computadores pessoais, s e tudo aquilo que não segue regras fixas de armazenamento [Cla03]. O gerenciamento desses dados, estruturados ou não, produz custos, e muitas vezes esses custos são elevados. Em grande parte dos casos os custos tendem a crescer mais rápido do que o crescimento dos dados. Para resolver esse tipo de problema, as técnicas para armazenamento de dados buscam meios de economizar e usar de modo eficiente os recursos existentes, por meio do desenvolvimento de métodos e tecnologias novas capazes de mostrar de forma eficaz a realidade do armazenamento de dados atuais. 1

14 Figura 1.1: Gráfico de crescimento dos dados Durante muitos anos, o gerenciamento dos dados era uma questão que preocupava apenas as grandes corporações que tinham seus dados armazenados em seus em grandes sistemas computacionais. Hoje, a grande parte dos dados é digital e, consequentemente, gerenciar um computador pessoal passa a ser também um desafio do qual a maioria das pessoas deverá lidar. Este trabalho tenta abordar um desafio específico da área de armazenamento de dados. Ele estuda o armazenamento de dados provenientes da bioinformática. Mais especificamente ele procura analisar uma técnica de eliminação de dados redundantes e seus ganhos em dados provenientes de estudos biológicos. A bionformática faz uso das ferramentas da informática para realizar análises da informação gerada por estudos da biologia. O desenvolvimento de software capaz de identificar genes e mapear o genoma é uma das principais funcões desta área de pesquisa que está ganhando bastante espaço nos últimos anos [AM97]. Com a evolução da bioinformática, atualmente é possível analisar o genoma humano e outros organismos. O genoma é o responsável por diversas características de uma ser humano, tais como: a cor dos olhos, o tipo de cabelo, o tom da pele, a altura que ela pode atingir, a facilidade para engordar, a quantidade de determinadas fibras musculares no corpo e se o indivíduo poderá ou não desenvolver algum tipo de doença no futuro como câncer, pressão alta, arritmia cardíaca, Alzheimer. Especificamente, o portador das características citadas dentro do genoma é o DNA [AB08]. Atualmente, as tecnologias para o mapeamento de DNAs aumentaram a necessidade de desenvolver técnicas específicas de armazenar esses dados de forma eficiente. Essa massa de dados é um atrativo para as pesquisas, pois permite a comparação entre os diversos genomas mapeados no intuito de encontrar trechos semelhantes nas sequências de DNA produzindo por exemplo, a elaboração de diagnósticos mais precisos pelos médicos [DJB09]. 2

15 Como a quantidade de dados geradas pelo sequenciamento do genoma por exemplo é grande, faz-se necessário a utilização de sistemas de storage, como são conhecidos os sistemas que possuem uma grande capacidade de armazenamento e de métodos eficientes de armazenamento dos dados. Os dados gerados pelo sequenciamento do DNA geralmente são armazenados em arquivos no formato FASTA que possui como característica códigos de apenas uma letra para representa sequências de nucleotídeos, peptídeos, pares de bases ou aminoácidos. Dado o pequeno alfabeto utilizado por este formato foi analisado uma grande repetição de caracteres, o que motivou a pesquisa sobre a técnica de deduplicação que busca eliminar a redundância de dados [AM97]. 1.1 Objetivos O objetivo deste trabalho é fazer uma análise da técnica de deduplicação em dados biológicos aplicado em um ambiente storage. Sendo o motivador para a realização deste trabalho o fato de que a cada momento novos organismos possuem seus DNAs mapeados, e com isso a quantidade de dados a serem armazenados, aumentam rapidamente tornando o gerenciamento e o armazenamento desses dados um problema para a bioinformática [Ver09]. 1.2 Estrutura do trabalho O presente trabalho está dividido da seguinte maneira: O Capítulo 2 tratou do detalhamento dos conceitos básicos relativos a Biologia Molecular necessários para o desenvolvimento deste trabalho. Conceitos básicos da bioinformática como a sua origem e estrutura e a explanação dos dados biológicos nos formatos do arquivo fasta. O Capítulo 3 é responsável por descrever a arquitetura e funcionamento dos storages, detalhando todos os componentes internos do sistema de armazenamento, assim como, as topologias que podem ser utilizadas para conectá-los a servidores de processamento de dados. O Capítulo 4 introduz os conceitos, estruturas e o funcionamento das técnicas de deduplicação, além do detalhamento de três técnicas de deduplicação aplicada na massa de dados denominadas Zeta Byte Filesystem Deduplication, Open Dedup e Write Anywhere FileLayout Deduplication. O Capítulo 5 detalha os testes feito sobre a massa de dados, expõe os resultados obtidos, assim como, o ambiente computacional utilizado no trabalho. Por fim, o capítulo 6 apresenta as considerações sobre a elaboração do trabalho e trabalhos futuros. 3

16 Capítulo 2 Biologia Molecular Neste capítulo são apresentados conceitos da biologia molecular os quais são necessários para entender melhor as propriedades e estrutura dos dados biológicos, para que assim seja possível um melhor manuseio da massa de dados durante o armazenamento. Este capítuolo é dividido nas seguintes seções: 2.1 Introdução, 2.2 Biologia Molecular, 2.3 Proteínas, 2.4 Ácidos Nucléicos, 2.5 bionformática. 2.1 Origem da Vida Para se falar da origem da vida é necessário envolver diversas áreas da ciência como a química, biologia, física, astronomia e geologia. Os estudos científicos denominam tal pesquisa como evolução química pelo o fato do objeto de interesse ser os processos que teriam permitido aos elementos químicos que constituem os organismos atingirem o grau de organização estrutural e funcional que caracteriza a matéria viva[am97]. A humanidade sempre estudou os seres vivos e seus comportamentos nos primórdios. O ser humano aprendeu a utilizar as plantas e os animais em seu proveito, também aprendeu a evitar plantas venenosas e tratar dos animas, além de adotar várias técnicas de caça. Os conceitos de biologia embora empíricos e como exercício prático do dia a dia existem já desde a época da pré-história, prova disso são as representações de seres vivos em imagens rupestres. Ao longo de bilhões de anos todos os seres vivos passaram por várias mutações já que possuem uma química molecular básica, mesmo eles se diferenciando pelo tamanho e complexidade, o ramo da biologia responsável por estudar os dois componentes principais desta química que são as proteínas e os ácidos nucléiocos é a biologia molecular. 2.2 Biologia Molecular A biologia molecular tem como objetivo realizar pesquisas em proteínas e ácidos nucléicos (DNA e RNA), focando seus esforços na estrutura e função do material genético que é um campo muito abrangente, pois pesquisa as interações entre vários sistemas celulares, isso inclui a relação entre DNA, RNA e síntese protéica. Por esse motivo, a biologia molecular utiliza várias técnicas e estudos provindas da genética e bioquímica[jun05]. 4

17 Os cientistas definem a bioquímica, de uma forma geral, como a área que se estuda as reações químicas em células, enquanto a genética possui o foco em pesquisas das consequências de diferenças no material genético nos organismos. Dessa forma, a biologia molecular ocupa um espaço próprio mesmo se relacionando com a genética e a bioquímica ao investigar os mecanismos de replicação, transcrição e tradução do material genético e outros processos celulares em bases de DNA, RNA, aminoácidos e proteínas [Kam05]. 2.3 Proteínas As proteínas são compostos orgânicos que possuem um alto peso molecular, são constituídas pelo encadeamento de aminoácidos representando cerca de 50 a 80% do peso seco total de um célula. Dessa forma, é um composto orgânico mais abundante de matéria viva. A quantidade de aminoácidos por moléculas de proteínas pode ser de dezenas ou mesmo centenas, sendo ligadas em sequência como se fossem elos de uma corrente. Por isso as proteínas participam ativamente de quase todas as atividades celulares de um organismo vivo, tais como locomoção de nutrientes, eliminação de resíduos tóxicos, construção de estruturas complexas, aceleração das reações químicas que são essenciais para a manutenção da vida [Sil09]. Os aminoácidos que compõem as proteínas são formados por átomos de carbono, hidrogênio, oxigênio e nitrogênio. Na Figura 2.1, pode ser analisado a estrutura geral de um aminoácido: um átomo de carbono que ocupa a posição central na molécula, ligando - se a este carbono quatro grupos de átomos, o radical ou R responsável por diferenciar os aminoácidos, um átomo de hidrogênio, um grupo amina (NH2) e um grupo carboxila (COOH). O termo aminoácido surgiu justamente pela presença desses grupamentos típicos na molécula [Lif06]. Figura 2.1: Composição do aminoácido Os aminoácidos que um organismo não consegue sintetizar são chamados de aminoácidos essenciais, já os aminoácidos que o organismo consegue sintetizar a partir de outras substâncias que ingere são chamados aminoácidos naturais ou não essenciais. Dois aminoácidos vizinhos em uma molécula de proteína se ligam por uma ligação peptídica que ocorre sempre entre o grupo amina de uma proteína e o grupo carboxila da outra [Kam05]. Na formação de uma ligação peptídica, o grupo carboxila de um dos aminoácidos perde um OH e fica com uma ligação livre, ao mesmo tempo o grupo amina do outro 5

18 aminoácido perde um hidrogênio e também fica com uma ligação livre. Sendo assim, os aminoácidos unem-se através dessas ligações que ficaram livres, constituindo a ligação peptídica e uma molécula de água é liberada. As moléculas que se formam pela união de dois ou mais aminoácidos são chamadas de peptídeo. Toda sequência de aminoácidos que constitue uma molécula protéica é chamada de estrutura primária. Essa sequência é importante para a função da proteína, pois a substituição de um único aminoácido é suficiente para prejudicar a atividade da proteína, implicando em sérias consequências para o organismo [AB08]. O enrolamento das cadeias dos peptídeos sobre si mesmas assumem, geralmente, forma helicoidal, que lembra um fio de telefone que é denominado estrutura secundária da proteína. A estrutura secundária ocorre quando a cadeia é enrolada helicoidalmente, e quando possui a capacidade de dobrar-se sobre si mesma, chamasse estrutura terciária. Por último, quando as proteínas são constituídas por mais de uma cadeia de peptídeo, tal conjunto é denominado estrutura quaternária. Todas as quatro estruturas podem ser visualizadas na Figura 2.2. Figura 2.2: Estruturas das proteínas. As estruturas das proteínas podem ser estudas simplesmente na observação detalhada da conexão entre a estruturas espaciais da proteína e as atividades realizadas por elas. Essas diversas hélices e dobras formam uma única estrutura que tem a capacidade de se ligar a um grupo específico de moléculas, podendo essas serem responsáveis por uma reação química ou ainda por outras proteínas que constituem estruturas mais complexas. Os seres vivos estão a todo momento fabricando proteínas, desde os procariotos que possuem uma complexidade mais simples até os eucariotos que são mais complexos, dessa forma desprenderemos um esforço para entender o processo de síntese das mesmas, como tal processo está conectado as moléculas conhecidos como ácidos nucléicos [Kam05]. Todos os seres vivos necessitam de 20 tipos de aminoácidos para poderem fabricar suas proteínas, algumas espécies são capazes de fabricar todos esses aminoácidos, e não precisam obtê-los na dieta. Outras espécies como a humana, conseguem sintetizar apenas alguns tipos de aminoácidos e, por isso tem de se alimentar de alguns tipos de alimentos para obter os 20 tipos que podem ser vistos na Figura

19 Figura 2.3: Os vinte aminoácidos que compõem as proteínas. 2.4 Ácidos Nucléicos Os ácidos nucléicos (RNA e DNA) possuem a função de guardar a informação que é necessária para a criação de proteínas e, dessa forma, tornar possível a transferência dessa informação de modo a sintetizar as proteínas, os ácidos nucléicos receberam essa denominação porque primeiramente foram descobertos no núcleo das células. São moléculas gigantes, formadas por unidades monoméricas menores conhecidas como nucleotídeos [Kam05]. Cada nucleotídeo é formado por três partes conforme a Figura 2.4, e formado por um açúcar do grupo das pentoses, uma radical fosfato, derivado da molécula do ácido ortofosfórico e uma base nitrogenada [AB08]. 7

20 2.4.1 DNA Figura 2.4: Estrutura do nucleotideo. O DNA (ácido desoxirribonucleico) é um dos mais conhecidos representante dos ácidos nucléicos por sua importância, basicamente no DNA encontra-se as instruções genéticas utilizadas no desenvolvimento e funcionamento dos seres vivos conhecidos, tanto em um organismo simples como vírus, ou mais complexo como um mamífero. Essa função da molécula do DNA, a capacidade de armazenamento por um longo prazo de informação genética por essa característica é sempre comparado a um conjunto de projetos semelhante a uma receita que contém instruções necessárias para construir outros componentes tais como a célula, proteínas, RNAs [Kam05]. Os genes são os segmentos do DNA responsáveis por transportar as informações genéticas, os demais segmentos do DNA terão funções de composição estrutural ou de regulação nos processos celulares. A estrutura do DNA é uma dupla fita, sendo cada fita formada por nucleótidos ligados uns a outros. Os quatro nucleótidos que compõem o DNA são adenina, guanina, citosina e timina, geralmente são referenciadas pela primeira letra como A, G, C e T. A adenina e a guanina são compostas por dois anéis (purinas), enquanto a timina e a citosina são formados por um único anel (pirimidinas), como pode ser visto na Figura 2.5. Figura 2.5: Estrutura da Timina, Adenina, Citosina e a Guanina. 8

21 Uma purina se conecta a uma pirimidina no DNA para criar um par de bases a adenina e a timina conectam-se entre si para formar um par de base A-T, da mesma forma a guanina e a citosina conectam-se para formar um par de base G-C. Essas bases complementares irão permanecer unidas por pontes de hidrogénio fracas que são responsáveis pela manutenção da estrutura de dupla hélice do DNA (Figuras 2.6 e 2.7). Figura 2.6: Base A-T. Figura 2.7: BASE C-G. O DNA é composto por duas fitas, sendo os nucleotídeos presentes em uma fita ligados às suas bases complementares presentes na outra fita devido a conexão das bases A-T e G- C. Assim, as duas fitas completam uma à outra não sendo idênticas porém se completando perfeitamente. Outro ponto importante de notar é que as fitas tem sentidos opostos, veja na Figura RNA O RNA (ácido ribonucléico) é um polímero de nucleótidos muito importante para o organismo dos seres vivos pois é o responsável pela síntese das proteínas da célula, podendo catalisar importantes reações biológicas e suas moléculas podem funcionar como proteínas enzimáticas, também conhecidas como ribozimas. O RNA pode ser composto por uma cadeia simples, ou pode ser dobrado pois as moléculas formadas por RNA possuem dimensões menores comparadas ao DNA[Alv09]. 9

22 Figura 2.8: Dupla-hélice do DNA. O RNA é constituído por um açúcar ribose, por uma base nitrogenada e por um de grupo fosfato, sendo assim a constituição do RNA é muito parecida, comparada ao DNA, porém com algumas diferenças, como, por exemplo, ao invés de possuir uma dupla hélice tal como a do DNA, possui apenas uma cadeia simples de nucleotídeos como pode ser visto na Figura 2.9 Outro diferencial do RNA é a flexibilidade já que possui a capacidade de se dobrar de forma que as suas bases se pareiam umas com as outras. Essa forma de se emparelhar as bases é uma característica importante do RNA pois forma pontes intracadeia, podendo assim formar uma grande variedade de estruturas moleculares quando comparados com a dupla hélice do DNA. O RNA possui o açúcar ribose em seus nucleotídeos diferente, do açúcar desoxirribose que compõe o DNA, e os grupos de açúcar do RNA contem um par oxigênio-hidrogênio ligado ao carbono, enquanto apenas um átomo de hidrogênio é ligado ao carbono nos grupos de açúcar do DNA. Os nucleotídeos de RNA contêm a base nitrogenada (adenina, guanina, citosina e uracila) sendo a última diferente da timina do DNA. A uracila é classificada na subdivisão da pirimidina. Assim como as demais, a uracila também pode ser referenciada apenas com a primeira letra U, e ligar-se com a adenina. Figura 2.9: Estrutura do RNA. 2.5 Bioinformática Desde o início do século 20 os geneticistas e químicos se questionam sobre a natureza química do material genético. Após anos de pesquisas desenvolvidas, descobriu-se que o 10

23 DNA era a molécula responsável por armazenar as informações genéticas. Na década de 1950 desvendaram a estrutura química do DNA por meio do trabalho de Watson e Cric [AM97] Esse fato foi apenas o começo, posteriormente foi descoberto o código genético e o fluxo da informação biológica dos ácidos nucléicos para as proteínas. Logo surgiram métodos de sequenciamento do DNA que permitiu a investigação de suas sequências monoméricas constituintes e desde então, mais de 18 bilhões dessas sequências já foram produzidas. Na década de 1990, quando surgiram os sequênciadores automáticos de DNA, houve uma explosão na quantidade de dados, provindas das sequências a serem armazenadas, exigindo dessa forma mais recursos computacionais pois além da necessidade de armazenamento, também existia a necessidade de fazer uma análise de todos os dados. Assim surgia uma nova ciência, denominada bionformática, que envolveria a união de diversas linhas de conhecimento como a ciência da computação,biologia molecular, matemática, química e estatística. No processo de sequenciamento e comparação de sequências biológicas é muito comum a utilização de arquivos no formato FASTA,na próxima seção será detalhado a estrutura desses arquivos Arquivos FASTA Ao se falar de banco de dados biológicos, normalmente refere-se a um grupo de arquivos em um formato específico, e não a um SGBD especificamente. Muitos motivos influenciam para não existir um SGBD que trabalhe de modo eficiente com sequências biológicas. O que normalmente é feito pelos SGBDs que tentam tratar esses dados é o simples apontamento para os arquivos, sem tirar nenhum tipo de vantagem dos SGBDs que normalmente permitem melhor gerenciamento de memória, acesso mais rápido a disco, dentre vários outros motivos que garantem o sucesso desse tipo de aplicação[lif06]. Os arquivos no formato FASTA estão presentes em grande parte dos estudos de bioinformática, na maioria dos casos, possuem uma grande quantidade de informações, ou seja, em um único arquivo pode haver centenas ou milhares de sequência de DNA. Esses arquivos, do ponto de vista da computação, são apenas arquivos no formato texto. Sendo formados por uma sequência, ou por uma concatenação de sequências biológicas, nesse último caso constituindo um arquivo de multisequências como são conhecidos. A seguir são apresentados os componentes dos arquivos FASTA e as propriedades que fazem desse arquivo um FASTA. Um arquivo FASTA deve sempre começar com o sinal de maior que >, seguido de uma linha única que descreva a sequência que aparecerá na linha seguinte. Logo após essa primeira linha existe uma sequência biológica em si. Em um mesmo arquivo podem coexistir várias sequências, sendo que sempre que se iniciar uma nova sequência, deve-se inserir uma quebra de linha, e novamente iniciar uma linha com o sinal de maior que >, seguido da descrição e da sequência. Seguindo essa regra para quantas sequências sejam necessárias. Como pode ser observado na Figura 2.10 os arquivos FASTA, em geral, possuem uma grande repetição de letras de um pequeno alfabeto composto por apenas A, C, T e G. Porém, alguns arquivos FASTA podem conter mais letras que representam outros aminoácidos. 11