dna序列的kmerindex问题数模大学本科毕业论文.doc

《dna序列的kmerindex问题数模大学本科毕业论文.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、重庆交通大学2015年第八届数学建模竞赛参赛论文论文选题：B题学生姓名学号所在学院联系电话：1E-mail地址：DNA序列的k-merindex问题摘要本小组在查阅了相关文献资料后，基于“数据结构”中的“哈希算法[2][6]”、“倒排索引[1][2]”法及“BKDRHash算法[2]”，建立相应的数学模型，给出分析和结果，对DNA序列的k-merindex问题给出解决方案。本模型对不同k值采用不同算法建立索引。当k值较小时，利用基因序列其碱基种类较少（仅A,T,G,C四种）的特点，根据哈希算法进制转换的思想，可将k-mer看成一个四进制的序列数，将其转化为十进制数作为哈希表的

2、关键字[2]，并采用倒排索引的方法对哈希表关键字分类整理，建立相应的地址存储单元，实现索引；当k值较大时，考虑到内存溢出[6]的问题，采用“BKDRHash算法”对k-mer进行十进制转化，并结合“倒排索引[2]”法建立索引，从而对给定的k-mer片段进行精确查找，最终输出碱基片段所在位置。此方案将“哈希(Hash)算法”、“BKDRHash算法”和“倒排索引法”相结合，对哈希算法结构进行优化，提升了运算效率，操作简洁、高效。实现了在基因数据库[3][4]中对给定的碱基片段的位置进行查找的目的。关键词：倒排索引，哈希(Hash)算法，BKDRHash算法，碱基序列，基因数据库

3、。17一．问题重述DNA序列的k-merindex问题给定一个DNA序列，这个系列只含有4个字母ATCG，如S=“CTGTACTGTAT”。给定一个整数值k，从S的第一个位置开始，取一连续k个字母的短串，称之为k-mer（如k=5，则此短串为CTGTA），然后从S的第二个位置，取另一k-mer（如k=5，则此短串为TGTAC），这样直至S的末端，就得一个集合，包含全部k-mer。如对序列S来说，所有5-mer为｛CTGTA，TGTAC，GTACT，TACTG，ACTGT，TGTAT｝通常这些k-mer需一种数据索引方法，可被后面的操作快速访问。例如，对5-mer来说，当查询C

4、TGTA，通过这种数据索引方法，可返回其在DNA序列S中的位置为｛1，6｝。问题现在以文件形式给定100万个DNA序列，序列编号为1-1000000，每个基因序列长度为100。（1）要求对给定k，给出并实现一种数据索引方法，可返回任意一个k-mer所在的DNA序列编号和相应序列中出现的位置。每次建立索引，只需支持一个k值即可，不需要支持全部k值。（2）要求索引一旦建立，查询速度尽量快，所用内存尽量小。（3）给出建立索引所用的计算复杂度，和空间复杂度分析。（4）给出使用索引查询的计算复杂度，和空间复杂度分析。（5）假设内存限制为8G，分析所设计索引方法所能支持的最大k值和相应数

5、据查询效率。（6）按重要性由高到低排列，将依据以下几点，来评价索引方法性能·索引查询速度·索引内存使用·8G内存下，所能支持的k值范围·建立索引时间17二.符号说明及假设1.符号说明sumFile:把记录分成sumFile个文件存放sumK-mer1:K-mer的总个数sumK-mer2:K-mer可能出现的不重复的个数maxY:每个文件的最大行数maxX：平均每行字符数fileName:文件名fileNumber;文件编号,范围是0-sumFile-1hashKey1:将K_mer转化后的哈希关键字，是一个十进制整数position:记录K-mer所在的DNA序列及在每个序

6、列中的位置HZJS:文件里平均每行的字符数&&：表示连接，如A&&B即表示AB2.假设在题目给出的数据中，利用BKDRHash算法转化后不会出现相同的哈希值三．问题分析题目所给文件中有100万行的碱基序列，其中每行序列的长度为100，给定一个固定的k值，则每行序列有（100-k+1）个k-mer，K-mer总数有1000000*(100-k+1)个。数据量级达到百万至千万，十分庞大，故考虑采用建立哈希表的方法实现索引。碱基序列由A、T、C、G四种碱基无序组合，当给定K值后，理论有种k-mer。比较1000000*（100-k+1）（实际值）和（理论值）的大小：当K小于等于13

7、时，1000000*（100-k+1）>，即K_mer值会出现重复，K越接近1，重复的越多；当K大于13时，理论上不会出现重复值。四．模型建立与算法分析173.1模型建立3.1.1当时，即，则实际上出现的k-mer的个数多于理论上可能出现的k-mer的个数，即K-mer有重复。此时k较小，以“哈希算法”和“倒排索引”相结合的方法建立索引。因为k-mer由四种碱基构成，根据进制转换思想[1]，将K-mer化为四进制再换算为十进制作为哈希表的关键字。现令碱基A->0，T->1，G->2，C->3，从而这四个