生物信息处理是最近几年的一个热门研究方向,特别是对关键蛋白质预测算法的研究。它能够有效快速地预测出蛋白质相互作用网络里的一些关键蛋白质,这类蛋白质对于生物体的存活、繁殖以及药物靶点选择的研究极其重要。目前已经存在很多关键蛋白质的预测算法,但由于一些算法的计算复杂度过高,使得对于小规模的蛋白质相互作用网络的计算都十分困难,基于分布式计算将该类算法并行化加速是可行的解决方案。近年来Spark已经成为一个成熟的分布式计算框架,但在实际分布式计算过程中Spark的shuffle性能低下,因此探索Spark自身的shuffle优化策略具有十分重要的研究意义。本文的主要研究成果如下:(1)在预测关键蛋白质的研究方面,L-BC指标具有考虑网络局部特性以及减少算法运行时间的优点,而k-BC指标对顶点重要性程度划分地更加细致,本文结合了这两个算法的优点提出了L1-BC指标。实验结果表明,在大多数数据集上L1-BC指标的预测准确率整体都要优于其它常见的单个拓扑属性指标,特别是与传统的BC指标相比,L1-BC指标的预测准确率能够提高10%～50%。为了加速L1-BC指标的计算,本文基于Spark实现了 L1-BC指标的并行计算算法,通过使用广播变量和累加器,使得该并行算法在计算大规模网络时有效地避免了内存溢出的问题,同时加速比能够达到94.31%。(2)在优化Spark的shuffle性能方面,本文提出了基于历史溢写(Spill)次数的自适应内存分配算法。首先从那些在shuffle过程中没有发生过溢写的任务借内存,然后根据每个溢写任务的溢写次数计算出相应的权值,最后根据该权值将借来的内存分配给这些溢写任务。通过这种动态的自适应调整,该算法能够有效地减少总内存溢写量,改善shuffle性能,进而缩短整个作业的运行时间。实验结果表明,该算法在倾斜数据集上的作业运行时间能够缩短约11.2%,内存溢写量能够减少约8.5%。