公司注册：公司名称相似如何认定？

公司名称相似有两种：名字当中的文字有与其它公司重叠（三个字有两个相同）、不同经营类型的公司名称，比如：“XX市美好家具贸易有限公司”和“XX市美好沐足服务有限公司”属于公司名称相似。

拓展资料：公司注册名称字号重复怎么办公司名称字号如果重复的话是可以进行修改，然后重新选择注册的，不过公司注册名称字号重复并不一定是不能用的，得分辖区，分是不是驰名商标，有没有特别保护。

在登记主管机关辖区内不得与登记注册的同行业企业名称相同或者近似；不在同一省，工商登记机关也不同，是可以用相同的名字的。

除非是驰名商标可以跨地区跨类别进行保护外，其他企业的名称仅仅局限于登记机关辖区和相应的类别内进行保护。

两个公司名称已构成相同且在同一行业内，即违反“申请的字号不得与同一工商行政管理局核准或登记注册的同行企业名称相同，有投资关系的除外”的原则，很可能无法通过名称预先核准。

注册企业时名标相同相近比对规则：第一条：为进一步推进企业名称登记管理改革，建立、完善企业名称比对系统，为申请人提供高效比对服务，依据《企业名称登记管理规定》《企业名称登记管理实施办法》《工商总局关于提高登记效率积极推进：业名称登记管理改革的意见》(工商企注字2017)54号)等制定本规则。

第二条：本规则适用于企业登记机关利用信息化技术，建立、完善企业名称比对系统，为申请人申请企业名称提供比对服务。企业登记机关应当将比对结果以在线网页等方式皇现给申请人，供其参考、选择。

第三条：申请人提交的企业名称登记、核准申请有下列情形之一的，比对系统提示为企业名称相近。(一)与同一企业登记机关已登记、核准的企业名称完全相同。

(二)与同一企业登记机关已登记、核准的企业名称行政区划、字号、行业和组织形式排列顺序不同但文字相同。如：北京红光酒业发展有限公司与红光(北京)酒业发展有限公司。

(三)与同一企业登记机关已登记、核准的企业名称字号、行业文字相同但行政区划或者组织形式不同。第四条：申请人提交的企业名称登记、核准申请有下列情形之一的，比对系统提示为企业名称相近。

(一)与同一企业登记机关已登记、核准的同行业企业名称字号相同，行业表述不同但含义相同。(二)与同一企业登记机关已登记、核准的同行业企业名称字号的字音相同，行业表述相同或者行业表述不同但内容相同。

(三)字号包含同一企业登记机关已登记、核准同行业企业名称字号或者被其包含，行业表述相同或者表述不同但内容相同(四)字号与同一企业登记机关已登记、核准同行业企业名称字号部分字音相同，行业表述相同或者行业述不同但内容相同。

如：北京阿里巴巴科技有限公司与北京马云阿理巴巴科技有限公司、北京阿理巴巴金控技术有限公司。

(五)不含行业表述或者以实业、发展等不使用国民经济行业分类用语表述行业的，包含或者被包含同一企业登记机关已登记、核准的同类别企业名称的字号，或者其字号的字音相同，或者其包含、被包含的部分字音相同。

第五条：申请人通过比对系统查询申请企业名称时，拟申请的企业名称与同一企业登记机关已登记、核准的企业名称相同的，列出相同的企业名称，提示该申请不能通过；拟申请的企业名称与同一企业登记机关已登记、核准的企业名称相近的，列出相近的企业名称清单，提示该申请可以通过，但存在审核不予核准的可能存在虽然核准，但在使用中可能面临侵权纠纷，甚至以不适宜的企业名称被强制变更的风险。

第六条：地方企业登记机关可以根据地方政府要求、改革需要和技术条件等，细化比对规则，不断提高比对智能化服务水平。第七条：农民专业合作社、个体工商户名称和非法人分支机构(营业单位)的比对，参照本规则执行。

第八条：本规则由工商总局解释。

谷歌人工智能写作项目：神经网络伪原创

我做了个相似性的算法，要与数据库上百万比对，其他一些网站都用了Hadoop分布式，知网也是这样的吗？ 50

引言Hadoop分布式文件系统(HDFS)被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统写作猫。它和现有的分布式文件系统有很多共同点。

但同时，它和其他的分布式文件系统的区别也是很明显的。HDFS是一个高度容错性的系统，适合部署在廉价的机器上。HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。

HDFS放宽了一部分POSIX约束，来实现流式读取文件系统数据的目的。HDFS在最开始是作为Apache Nutch搜索引擎项目的基础架构而开发的。

HDFS是Apache Hadoop Core项目的一部分。这个项目的地址是。前提和设计目标硬件错误硬件错误是常态而不是异常。

HDFS可能由成百上千的服务器所构成，每个服务器上存储着文件系统的部分数据。我们面对的现实是构成系统的组件数目是巨大的，而且任一组件都有可能失效，这意味着总是有一部分HDFS的组件是不工作的。

因此错误检测和快速、自动的恢复是HDFS最核心的架构目标。流式数据访问运行在HDFS上的应用和普通的应用不同，需要流式访问它们的数据集。HDFS的设计中更多的考虑到了数据批处理，而不是用户交互处理。

比之数据访问的低延迟问题，更关键的在于数据访问的高吞吐量。POSIX标准设置的很多硬性约束对HDFS应用系统不是必需的。为了提高数据的吞吐量，在一些关键方面对POSIX的语义做了一些修改。

大规模数据集运行在HDFS上的应用具有很大的数据集。HDFS上的一个典型文件大小一般都在G字节至T字节。因此，HDFS被调节以支持大文件存储。

它应该能提供整体上高的数据传输带宽，能在一个集群里扩展到数百个节点。一个单一的HDFS实例应该能支撑数以千万计的文件。简单的一致性模型HDFS应用需要一个“一次写入多次读取”的文件访问模型。

一个文件经过创建、写入和关闭之后就不需要改变。这一假设简化了数据一致性问题，并且使高吞吐量的数据访问成为可能。Map/Reduce应用或者网络爬虫应用都非常适合这个模型。

目前还有计划在将来扩充这个模型，使之支持文件的附加写操作。“移动计算比移动数据更划算”一个应用请求的计算，离它操作的数据越近就越高效，在数据达到海量级别的时候更是如此。

因为这样就能降低网络阻塞的影响，提高系统数据的吞吐量。将计算移动到数据附近，比之将数据移动到应用所在显然更好。HDFS为应用提供了将它们自己移动到数据附近的接口。

异构软硬件平台间的可移植性HDFS在设计的时候就考虑到平台的可移植性。这种特性方便了HDFS作为大规模数据应用平台的推广。

Namenode 和 DatanodeHDFS采用master/slave架构。一个HDFS集群是由一个Namenode和一定数目的Datanodes组成。

Namenode是一个中心服务器，负责管理文件系统的名字空间(namespace)以及客户端对文件的访问。集群中的Datanode一般是一个节点一个，负责管理它所在节点上的存储。

HDFS暴露了文件系统的名字空间，用户能够以文件的形式在上面存储数据。从内部看，一个文件其实被分成一个或多个数据块，这些块存储在一组Datanode上。

Namenode执行文件系统的名字空间操作，比如打开、关闭、重命名文件或目录。它也负责确定数据块到具体Datanode节点的映射。Datanode负责处理文件系统客户端的读写请求。

在Namenode的统一调度下进行数据块的创建、删除和复制。Namenode和Datanode被设计成可以在普通的商用机器上运行。这些机器一般运行着GNU/Linux操作系统(OS)。

HDFS采用Java语言开发，因此任何支持Java的机器都可以部署Namenode或Datanode。由于采用了可移植性极强的Java语言，使得HDFS可以部署到多种类型的机器上。

一个典型的部署场景是一台机器上只运行一个Namenode实例，而集群中的其它机器分别运行一个Datanode实例。这种架构并不排斥在一台机器上运行多个Datanode，只不过这样的情况比较少见。

集群中单一Namenode的结构大大简化了系统的架构。Namenode是所有HDFS元数据的仲裁者和管理者，这样，用户数据永远不会流过Namenode。

文件系统的名字空间 (namespace)HDFS支持传统的层次型文件组织结构。用户或者应用程序可以创建目录，然后将文件保存在这些目录里。

文件系统名字空间的层次结构和大多数现有的文件系统类似：用户可以创建、删除、移动或重命名文件。当前，HDFS不支持用户磁盘配额和访问权限控制，也不支持硬链接和软链接。

但是HDFS架构并不妨碍实现这些特性。Namenode负责维护文件系统的名字空间，任何对文件系统名字空间或属性的修改都将被Namenode记录下来。应用程序可以设置HDFS保存的文件的副本数目。

文件副本的数目称为文件的副本系数，这个信息也是由Namenode保存的。数据复制HDFS被设计成能够在一个大集群中跨机器可靠地存储超大文件。

它将每个文件存储成一系列的数据块，除了最后一个，所有的数据块都是同样大小的。为了容错，文件的所有数据块都会有副本。每个文件的数据块大小和副本系数都是可配置的。应用程序可以指定某个文件的副本数目。

副本系数可以在文件创建的时候指定，也可以在之后改变。HDFS中的文件都是一次性写入的，并且严格要求在任何时候只能有一个写入者。

Namenode全权管理数据块的复制，它周期性地从集群中的每个Datanode接收心跳信号和块状态报告(Blockreport)。接收到心跳信号意味着该Datanode节点工作正常。

块状态报告包含了一个该Datanode上所有数据块的列表。副本存放: 最最开始的一步副本的存放是HDFS可靠性和性能的关键。优化的副本存放策略是HDFS区分于其他大部分分布式文件系统的重要特性。

这种特性需要做大量的调优，并需要经验的积累。HDFS采用一种称为机架感知(rack-aware)的策略来改进数据的可靠性、可用性和网络带宽的利用率。目前实现的副本存放策略只是在这个方向上的第一步。

实现这个策略的短期目标是验证它在生产环境下的有效性，观察它的行为，为实现更先进的策略打下测试和研究的基础。

大型HDFS实例一般运行在跨越多个机架的计算机组成的集群上，不同机架上的两台机器之间的通讯需要经过交换机。在大多数情况下，同一个机架内的两台机器间的带宽会比不同机架的两台机器间的带宽大。

通过一个机架感知的过程，Namenode可以确定每个Datanode所属的机架id。一个简单但没有优化的策略就是将副本存放在不同的机架上。

这样可以有效防止当整个机架失效时数据的丢失，并且允许读数据的时候充分利用多个机架的带宽。这种策略设置可以将副本均匀分布在集群中，有利于当组件失效情况下的负载均衡。

但是，因为这种策略的一个写操作需要传输数据块到多个机架，这增加了写的代价。

在大多数情况下，副本系数是3，HDFS的存放策略是将一个副本存放在本地机架的节点上，一个副本放在同一机架的另一个节点上，最后一个副本放在不同机架的节点上。

这种策略减少了机架间的数据传输，这就提高了写操作的效率。机架的错误远远比节点的错误少，所以这个策略不会影响到数据的可靠性和可用性。

于此同时，因为数据块只放在两个（不是三个）不同的机架上，所以此策略减少了读取数据时需要的网络传输总带宽。在这种策略下，副本并不是均匀分布在不同的机架上。

三分之一的副本在一个节点上，三分之二的副本在一个机架上，其他副本均匀分布在剩下的机架中，这一策略在不损害数据可靠性和读取性能的情况下改进了写的性能。当前，这里介绍的默认副本存放策略正在开发的过程中。

副本选择为了降低整体的带宽消耗和读取延时，HDFS会尽量让读取程序读取离它最近的副本。如果在读取程序的同一个机架上有一个副本，那么就读取该副本。

如果一个HDFS集群跨越多个数据中心，那么客户端也将首先读本地数据中心的副本。安全模式Namenode启动后会进入一个称为安全模式的特殊状态。处于安全模式的Namenode是不会进行数据块的复制的。

Namenode从所有的 Datanode接收心跳信号和块状态报告。块状态报告包括了某个Datanode所有的数据块列表。每个数据块都有一个指定的最小副本数。

当Namenode检测确认某个数据块的副本数目达到这个最小值，那么该数据块就会被认为是副本安全(safely replicated)的；在一定百分比（这个参数可配置）的数据块被Namenode检测确认是安全之后（加上一个额外的30秒等待时间），Namenode将退出安全模式状态。

接下来它会确定还有哪些数据块的副本没有达到指定数目，并将这些数据块复制到其他Datanode上。文件系统元数据的持久化Namenode上保存着HDFS的名字空间。

对于任何对文件系统元数据产生修改的操作，Namenode都会使用一种称为EditLog的事务日志记录下来。

例如，在HDFS中创建一个文件，Namenode就会在Editlog中插入一条记录来表示；同样地，修改文件的副本系数也将往Editlog插入一条记录。

Namenode在本地操作系统的文件系统中存储这个Editlog。

整个文件系统的名字空间，包括数据块到文件的映射、文件的属性等，都存储在一个称为FsImage的文件中，这个文件也是放在Namenode所在的本地文件系统上。

Namenode在内存中保存着整个文件系统的名字空间和文件数据块映射(Blockmap)的映像。这个关键的元数据结构设计得很紧凑，因而一个有4G内存的Namenode足够支撑大量的文件和目录。

当Namenode启动时，它从硬盘中读取Editlog和FsImage，将所有Editlog中的事务作用在内存中的FsImage上，并将这个新版本的FsImage从内存中保存到本地磁盘上，然后删除旧的Editlog，因为这个旧的Editlog的事务都已经作用在FsImage上了。

这个过程称为一个检查点(checkpoint)。在当前实现中，检查点只发生在Namenode启动时，在不久的将来将实现支持周期性的检查点。

Datanode将HDFS数据以文件的形式存储在本地的文件系统中，它并不知道有关HDFS文件的信息。它把每个HDFS数据块存储在本地文件系统的一个单独的文件中。

Datanode并不在同一个目录创建所有的文件，实际上，它用试探的方法来确定每个目录的最佳文件数目，并且在适当的时候创建子目录。

在同一个目录中创建所有的本地文件并不是最优的选择，这是因为本地文件系统可能无法高效地在单个目录中支持大量的文件。

当一个Datanode启动时，它会扫描本地文件系统，产生一个这些本地文件对应的所有HDFS数据块的列表，然后作为报告发送到Namenode，这个报告就是块状态报告。

通讯协议所有的HDFS通讯协议都是建立在TCP/IP协议之上。客户端通过一个可配置的TCP端口连接到Namenode，通过ClientProtocol协议与Namenode交互。

而Datanode使用DatanodeProtocol协议与Namenode交互。一个远程过程调用(RPC)模型被抽象出来封装ClientProtocol和Datanodeprotocol协议。

在设计上，Namenode不会主动发起RPC，而是响应来自客户端或 Datanode 的RPC请求。健壮性HDFS的主要目标就是即使在出错的情况下也要保证数据存储的可靠性。

常见的三种出错情况是：Namenode出错, Datanode出错和网络割裂(network partitions)。

磁盘数据错误，心跳检测和重新复制每个Datanode节点周期性地向Namenode发送心跳信号。网络割裂可能导致一部分Datanode跟Namenode失去联系。

Namenode通过心跳信号的缺失来检测这一情况，并将这些近期不再发送心跳信号Datanode标记为宕机，不会再将新的IO请求发给它们。任何存储在宕机Datanode上的数据将不再有效。

Datanode的宕机可能会引起一些数据块的副本系数低于指定值，Namenode不断地检测这些需要复制的数据块，一旦发现就启动复制操作。

在下列情况下，可能需要重新复制：某个Datanode节点失效，某个副本遭到损坏，Datanode上的硬盘错误，或者文件的副本系数增大。集群均衡HDFS的架构支持数据均衡策略。

如果某个Datanode节点上的空闲空间低于特定的临界点，按照均衡策略系统就会自动地将数据从这个Datanode移动到其他空闲的Datanode。

当对某个文件的请求突然增加，那么也可能启动一个计划创建该文件新的副本，并且同时重新平衡集群中的其他数据。这些均衡策略目前还没有实现。

数据完整性从某个Datanode获取的数据块有可能是损坏的，损坏可能是由Datanode的存储设备错误、网络错误或者软件bug造成的。

HDFS客户端软件实现了对HDFS文件内容的校验和(checksum)检查。

当客户端创建一个新的HDFS文件，会计算这个文件每个数据块的校验和，并将校验和作为一个单独的隐藏文件保存在同一个HDFS名字空间下。

当客户端获取文件内容后，它会检验从Datanode获取的数据跟相应的校验和文件中的校验和是否匹配，如果不匹配，客户端可以选择从其他Datanode获取该数据块的副本。

元数据磁盘错误FsImage和Editlog是HDFS的核心数据结构。如果这些文件损坏了，整个HDFS实例都将失效。因而，Namenode可以配置成支持维护多个FsImage和Editlog的副本。

任何对FsImage或者Editlog的修改，都将同步到它们的副本上。这种多副本的同步操作可能会降低Namenode每秒处理的名字空间事务数量。

然而这个代价是可以接受的，因为即使HDFS的应用是数据密集的，它们也非元数据密集的。当Namenode重启的时候，它会选取最近的完整的FsImage和Editlog来使用。

Namenode是HDFS集群中的单点故障(single point of failure)所在。如果Namenode机器故障，是需要手工干预的。

目前，自动重启或在另一台机器上做Namenode故障转移的功能还没实现。快照快照支持某一特定时刻的数据的复制备份。利用快照，可以让HDFS在数据损坏时恢复到过去一个已知正确的时间点。

HDFS目前还不支持快照功能，但计划在将来的版本进行支持。数据组织数据块HDFS被设计成支持大文件，适用HDFS的是那些需要处理大规模的数据集的应用。

这些应用都是只写入数据一次，但却读取一次或多次，并且读取速度应能满足流式读取的需要。HDFS支持文件的“一次写入多次读取”语义。一个典型的数据块大小是64MB。

因而，HDFS中的文件总是按照64M被切分成不同的块，每个块尽可能地存储于不同的Datanode中。

Staging客户端创建文件的请求其实并没有立即发送给Namenode，事实上，在刚开始阶段HDFS客户端会先将文件数据缓存到本地的一个临时文件。应用程序的写操作被透明地重定向到这个临时文件。

当这个临时文件累积的数据量超过一个数据块的大小，客户端才会联系Namenode。Namenode将文件名插入文件系统的层次结构中，并且分配一个数据块给它。

然后返回Datanode的标识符和目标数据块给客户端。接着客户端将这块数据从本地临时文件上传到指定的Datanode上。

当文件关闭时，在临时文件中剩余的没有上传的数据也会传输到指定的Datanode上。然后客户端告诉Namenode文件已经关闭。此时Namenode才将文件创建操作提交到日志里进行存储。

如果Namenode在文件关闭前宕机了，则该文件将丢失。上述方法是对在HDFS上运行的目标应用进行认真考虑后得到的结果。这些应用需要进行文件的流式写入。

如果不采用客户端缓存，由于网络速度和网络堵塞会对吞估量造成比较大的影响。这种方法并不是没有先例的，早期的文件系统，比如AFS，就用客户端缓存来提高性能。

为了达到更高的数据上传效率，已经放松了POSIX标准的要求。流水线复制。

excel匹配相识度%查找比对？

个人感觉，比对情况体现在表格2里面好一点，如下图所示：1、在表格1当中，名字的后排，填写有；2、在表格2的后排，填写=VLOOKUP(E2,A:B,2,TRUE)，回车；并下拉填充；3、反馈“有”，就是两表相同都有的。

比较两句话的意思很相似,用什么算法?

答案是正确的.先说你写的句子有两个问题,首先你把这句话一口气读下来会发现不是一句完整的话,所有内容都是when引导的时间状语从句的从句部分,没有主句.第二take ……seriously 是一个固定表达,你把它变成be seriously,be后面加一个副词不合语法,意思也讲不通.所以改的时候一定要完整的保留take ……seriously 成分,主动变成被动就可以了.答案中know通常的意思是‘知道’,但还有‘得知’‘获知’的意思,这里可以翻译成‘发现’：“当女孩说他曾见到一只袋鼠时,她发现她没被当回事”,意思和原句相同.如果把knew换成found就容易理解了.。

sql如何高效的比对两个字符串的相似度

如表格A中字段a1有一条字符串记录Rec1内容为 “我的家在哪里？

”；然后要从B表中找出一条字符串记录Rec2内容与Rec1最相似的，如：“我的家在浙江?” select A.a1, max(DIFFERENCE(A.a1,B.相应字段)) from A cross join B group by A.a1。

两个十万级的“0-1”字符串，求他们的相似度用什么算法比较好？

图像识别怎么能这么来干？可能是我孤陋寡闻了，但是不考虑前景、背景、焦点等能代表一张图像的特征，仅仅拿图像的二进制串来比较，这种方法我觉得没意义啊。

图像处理过程中有一种将图像从像域(像素)转变为频域的方法，改变之后的频域依然是一个类似的矩阵，但是越靠近左上角的数值所具有的能量就越高，说白了就是，你如果把(0，0)的点更改了，整张图就变了，但如果你把(n，n)的改了，对像域内的改变肉眼是无法识别出来的，因此通常将对角线右下的所有数值置0之后，即可以不对原图作大的改变(从人眼识别的角度，与原图相似度极高)，又可以有效地降低一个图像的大小(至少可以砍一半)。

EXCEL如何比对相似度

Private Sub CommandButton1_Click()[A:B].Font.ColorIndex = xlAutomaticDim st$, sr$, i%, j%, r%, k%, m%r = ActiveSheet.[A65536].End(3).RowFor i = 1 To r    m = Len(Cells(i, 1))    For k = 1 To m        If IsError((Mid(Cells(i, 1), k, 1), Cells(i, 2))) = True Then            Cells(i, 1).Characters(Start:=k, Length:=1).Font.Color = -16776961        End If    NextNextFor i = 1 To r    m = Len(Cells(i, 2))    For k = 1 To m        If IsError((Mid(Cells(i, 2), k, 1), Cells(i, 1))) = True Then            Cells(i, 2).Characters(Start:=k, Length:=1).Font.Color = -16776961        End If    NextNextEnd Sub。

YLWWINNER是什么

分子生物学数据库的演变经历了文献索引数据库、事实数据库和知识数据库三个阶段。生物信息学涉及的数据库可大致分为二种：初级数据库和二级数据库。

一级数据库（初级数据库）：数据库中的数据直接来源于实验获得的原始数据，只经过简单的归类整理和注释。

二级数据库：对原始生物分子数据进行整理、分类的结果，是在一级数据库、实验数据和理论分析的基础上针对特定的应用目标而建立的。

国际上著名的初级核酸数据库有Genbank数据库、EMBL核酸库和DDBJ库等；蛋白质序列数据库有SWISS-PROT、PIR等；蛋白质结构库有PDB等；基因组数据库等。

国际上二级生物学数据库非常多，它们因针对不同的研究内容和需要而各具特色，如人类基因组图谱库GDB、转录因子和结合位点库TRANSFAC、蛋白质结构家族分类库SCOP等等。

EMBL数据库的每个条目是一份纯文本文件。每一行最前面是由两个大写字母组成的识别标志， 欧洲国家的许多数据库如SWISS-PROT、ENZYME、TRANSFAC 都采用EMBL格式。

GenBank序列文件由单个的序列条目组成。序列条目是一个纯文本文件，由字段组成，每个字段由关键字（为完整的英文字，不用缩写）起始（每行左端或为空格），后面为该字段的具体说明。

有些字段又分若干次子字段，以次关键字或特性表说明符开始。每个序列条目以双斜杠“//”作结束标记。Genbank库包含了所有已知的核酸序列和蛋白质序列，以及与它们相关的文献著作和生物学注释。

PubMed系统是由美国国立生物技术信息中心（NCBI）开发的用于检索MEDLINE、PreMED-LINE数据库的网上检索系统。

MEDLINE是美国国立医学图书馆（U.S.National Library of Medicine）最重要的书目文摘数据库，内容涉及医学、护理学、牙科学、兽医学、卫生保健和基础医学。

BLAST(Basic Local Alignment Search Tool)：是目前常用的数据库搜索程序，意为“基本局部相似性比对搜索工具”。

国际著名生物信息中心都提供基于网络的BLAST服务器。SWISS-PROT和PIR是国际上二个主要的蛋白质序列数据库。

数据库查询(database query) ：对序列、结构以及各种二次数据库中的注释信息进行关键词匹配查找。

有时也称数据库检索，它和互联网上通过搜索引擎 (Search engine) 查找需要的信息是一个概念。

数据库搜索(database search是指通过特定的序列相似性比对算法，找出核酸或蛋白质序列数据库中与检测序列具有一定程度相似性的序列。

最为著名的信息检索系统是美国NCBI开发的Entrez数据检索系统和EBI开发的SRS序列检索系统数据库相似性搜索工具最常见的是FASTA工具和BLAST工具。

EMBL的发送系统为WebInGenBank 的发送系统sequin测序工作者可以把自己工作中获得的新序列提交给NCBI，添加到Genbank数据库。

这个任务可以由基于Web界面的BankIt或独立程序Sequin来完成。确定DNA序列之间或蛋白质序列之间相似性程度的过程称为序列比对(sequence alignment)。

双序列比对(pairwise alignment)是指通过一定算法对两个DNA或蛋白质序列进行比较，找出两者之间最大相似性匹配。

变异的种类主要有以下三种： 替代(substitution)插入或删除(insertion or deletion) indel 重排(rearrangement同源序列是从某一共同祖先经趋异进化而形成的不同序列 。

相似性（similarity）指序列比对过程中用来描述序列之间相同或相似DNA碱基或氨基酸残基序列所占比例的高低。

同源性（homology）是指从一些数据中判断出两个基因在进化上曾具有共同祖先的结论。 全局比对(global alignment)： 从全长序列出发，考察两个序列之间的整体相似性。

局部比对(local alignment)： 着眼于序列中的某些特殊片断，比较这些片断之间的相似性、（3）K-元法/字法(k-tuple method /word method) 该方法从寻找完全匹配的短片断(称为k-元或字)出发，并以此为基础运用动态规划方法将这一片断向两端延伸，得到较长的相似性匹配。

在进行序列两两比对时，有两方面问题直接影响相似性分值：取代矩阵和空位罚分。

空位:序列中任意连续的尽可能长的空格空位开放 (gap opening) 对新空位的产生进行的空位开放罚分（a） 空位延伸（gap extension ) 对空位延伸所进行的空位延伸罚分（b）空位罚分（Wk）的数学公式Wk=a+bk k为连续空位个数@空位处罚特点：1、同常对于a会选择一个高分（10-15分）对于b会选择一个低分（1-2分） 2、大的空位设置值配以很小的空位扩展罚值被普遍证实是最佳的设定思路@目前最有名的蛋白质矩阵Blosum、PAM@PAM矩阵要点：可观测突变百分率 核酸序列的检索1.NCBI中的Entrez*核酸中载体序列的识别和去除VecScreen重复序列分析 有CENSOR（EMBL）和RepeatMaskerCpG岛识别 CpGPlot/CpGReport启动子与转录因子结合位点的识别TRES、Neural Network Promoter Prediction、Dragon Promoter Finder、 promoterInspector、NNPP2.1、TSSG、promoter2.0、Mcpromoter 。

内含子－外显子剪接位点的识别SpliceView、NetGene2和BDGP中Splice Site Prediction等。

编码区统计特性分析GRAIL和GenMarktRNA基因的识别tRNAscan-SE其它综合基因预测工具GENSCAN限制性内切酶分析REBASE(从google英文界面进入)在线限制性酶切资源NEBcutter V2.0 WebCutterPCR引物设计Primer 3 Genefisher① 引物应用核酸系列保守区内设计并具有特异性。

② 产物不能形成二级结构。 ③ 引物长度一般在15~30bp碱基之间，常用的是18~27bp，但不应大于38bp，两引物长度差异不超过3bp。 ④ G+C含量在40%~60%之间。

⑤ 退火温度在42~57℃，但两引物间的退火温度的差不可大于5℃ 。 ⑥ 引物自身不能有连续4个碱基的互补。 ⑦ 引物之间不能有连续4个碱基的互补。

⑧ 引物5′端可以修饰（加酶切位点序列；标记生物素、荧光素、地高辛等 ）。 ⑨ 引物3′端不可修饰。 ⑩ 引物3′端要避开密码子的第3位，一般避免使用碱基A，最好为G和C。

PIR国际蛋白质序列数据库(PSD)是由蛋白质信息资源(PIR)、慕尼黑蛋白质序列信息中心(MIPS)和日本国际蛋白质序列数据库(JIPID)共同维护的国际上最大的公共蛋白质序列数据库。

这是一个全面的、经过注释的、非冗余的蛋白质序列数据库，PSD数据库有几个辅助数据库，如基于超家族的非冗余库等。

PIR提供三类序列搜索服务：基于文本的交互式检索；标准的序列相似性搜索，包括BLAST、FASTA等；结合序列相似性、注释信息和蛋白质家族信息的高级搜索，包括按注释分类的相似性搜索、结构域搜索GeneFIND等。

SWISS-PROT是经过注释的蛋白质序列数据库，由欧洲生物信息学研究所(EBI)维护。

数据库由蛋白质序列条目构成，每个条目包含蛋白质序列、引用文献信息、分类学信息、注释等，注释中包括蛋白质的功能、转录后修饰、特殊位点和区域、二级结构、四级结构、与其它序列的相似性、序列残缺与疾病的关系、序列变异体和冲突等信息。

ProtParam工具　这是用于计算蛋白质的各种物理化学性质的工具，包括蛋白质的相对分子质量、理论pI值、氨基酸组成、原子组成、消光系数、半衰期、不稳定系数以及总平均亲水性等。

Compute pI/MW工具 是ExPASy工具包中的程序，计算蛋白质的等电点和分子量。对于碱性蛋白质，计算出的等电点可能不准确。AACompldent工具 根据氨基酸组成辨识蛋白质。

PeptideMass工具 是分析蛋白质在各种蛋白酶和化学试剂处理后的内切产物。

蛋白质二级结构预测 nnpredict工具 （不能用，二级结构预测改用GOR）HNN工具- Hierarchical Neural Network methodProtScale工具蛋白质的疏水性分析Tmpred---跨膜结构分析COILS---卷曲螺旋预测SignalP ---信号肽预测工具蛋白质三级结构预测SWISS-Model工具 自动蛋白质同源模建服务器，有三个工作模式：Automated Mode、 Alignment Mode和 Project Mode。

程序先把提交的序列在ExPdb晶体图像数据库中搜索相似性足够高的同源序列，建立最初的原子模型，再对这个模型进行优化产生预测的结构模型。

最为著名的三大核心数据库：PDB 生物大分子结构数据库；SWISS-PROT 蛋白质序列数据库； GENBANK 核酸数据库公认三大核酸数据库：NCBI(美) EMBL（欧洲） DDBJ（日）