资源描述:
《dna序列的k-merindex问题数模》由会员上传分享,免费在线阅读,更多相关内容在教育资源-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序列地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”中地“哈希算法[2][6]”、“倒排索引[1][2]”法及“BKDRHash算法[2]”,建立相应地数学模型,给出分析和结果,对DNA序列地k-merindex问题给出解决方案.个人收集整理勿做商业用途本模型对不同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)地特点,根据哈希算法进制转换地思想,可将k-mer看成一个四进制地序列数,将其转化为
2、十进制数作为哈希表地关键字[2],并采用倒排索引地方法对哈希表关键字分类整理,建立相应地地址存储单元,实现索引;当k值较大时,考虑到内存溢出[6]地问题,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,从而对给定地k-mer片段进行精确查找,最终输出碱基片段所在位置.个人收集整理勿做商业用途此方案将“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]中对给定地碱基片段地位置进行查找地目地.个人收集整理勿做商业用途关键词:倒排索引,
3、哈希(Hash)算法,BKDRHash算法,碱基序列,基因数据库.23一.问题重述DNA序列地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地第一个位置开始,取一连续k个字母地短串,称之为k-mer(如k=5,则此短串为CTGTA),然后从S地第二个位置,取另一k-mer(如k=5,则此短串为TGTAC),这样直至S地末端,就得一个集合,包含全部k-mer.如对序列S来说,个人收集整理勿做商业用途所有5-mer为{CTGTA,TGTAC,GTACT,TACTG,ACTGT,TGTAT}通常这些k
4、-mer需一种数据索引方法,可被后面地操作快速访问.例如,对5-mer来说,当查询CTGTA,通过这种数据索引方法,可返回其在DNA序列S中地位置为{1,6}.个人收集整理勿做商业用途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.个人收集整理勿做商业用途(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所在地DNA序列编号和相应序列中出现地位置.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.个人收集整理勿做商业用途(2)要求索引一旦建立,查询速度尽量快,所用内存尽量小.(3)给出建立索引所用地计
5、算复杂度,和空间复杂度分析.(4)给出使用索引查询地计算复杂度,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地最大k值和相应数据查询效率.(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,所能支持地k值范围·建立索引时间23二.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地总个数sumK-mer2:K-mer可能出现地不重复地个数maxY:每个文件地最大行数maxX:平均每行字符数fileName:文件名fileNumber;文件编号,范围
6、是0-sumFile-1hashKey1:将K_mer转化后地哈希关键字,是一个十进制整数position:记录K-mer所在地DNA序列及在每个序列中地位置HZJS:文件里平均每行地字符数&&:表示连接,如A&&B即表示AB2.假设在题目给出地数据中,利用BKDRHash算法转化后不会出现相同地哈希值三.问题分析题目所给文件中有100万行地碱基序列,其中每行序列地长度为100,给定一个固定地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地方法实现索引.个人收集整理勿做
7、商业用途碱基序列由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)地大小:个人收集整理勿做商业用途当K小于等于13时,1000000*(100-k+1)>,即K_mer值会出现重复,K越接近1,重复地越多;当K大于13时,理论上不会出现重复值.23四.模型建立与算法分析3.1模型建立3.1.1当时,即,则实际上出现地k-mer地个数多于理论上可能出现地k-mer地个数,即K-mer有重复.此时k较小,以