生物序列数据K-mer频次统计问题的算法.pdfVIP

2014年 第 23卷 第 4期 http：／w／ww．c-S-a．org．cn 计 算 机 系 统 应 用 生物序列数据K-mer频次统计问题的算 张鑫鑫 ，-，陈 波 ，一，何继凌 ，徐 云 ， (中国科学技术大学计算机科学与技术学院，合肥 230027) (安徽省高性能计算重点实验室，合肥 230027) 摘 要：生物序列的k．met频次统计是生物信息处理中一个非常基础且重要的问题．本文针对多序列在对齐模式 下，不同偏移处一段长度范围内的k．mer频次统计问题进行了研究．提出了一种逆向遍历k．mer计数算法 BTKC． 该算法能够充分利用长度的k—met统计信息，快速得到长度的k．mer统计信息，从而避免了统计任意长度的k—mer 频次信息时都需要对所有序列进行遍历．算法的时间复杂度分析及实验结果表明，相比于传统的前向遍历 FTKC 算法，BTKC算法性能提升非常明显，且其时间复杂度与k．mer长度的变化范围无关，非常适合于在k—met长度变 化范围较大的情况下使用． 关键词：k—mer；k—mer计数；频次统计；逆向遍历；生物信息处理 AlgorithmsforBiologicalSequenceK-merFrequencyCountingProblem ZHANGXin．Xin ．-，CHENBo ．一，HEJi．Ling，XUYou， (SchoolofComputerScienceandTechnology,UniversityofScienceandTechnoloyg ofChina，Hefei230027，China) (KeyLaboratoryofHighPerformanceComputingofAnhuiProvince，Hefei230027，China) Abstract：K—metcountingofbiologicalsequenceisafundamentalandveryimportantproblem inbiologicalinformation processing．Thispaperfocusesoncountingk-mersateachpositionofmultiplesequenceswithinalignedmode．We presentanew backwardtraversek-mercountingalgorithm calledBTKC．BTKC algorithm atkesfulladvantageofthe k+l-met’sstatisticinfomr ationtoobtaink-mer’Ssattisticinfomr ationquickly~Thus．it’Snoneedtortaversethewhole sequenceswhencountingeachsinglek-met．Boththealgorithm ’Stimecomplexityandexperimentresultsshow that BTKC getsan obviousimprovementcomparedwithforwardtraversek·metcountingalgorithm FTKC，anditstime complexiytwasfoundnottoberealtedwiththerangeofk-merlength． Keywords：k--mer；k--metcounting；frequencystatistic；backwradrtaverse；biologicalsequenceprocessing 生物序列主要指RNA，DNA及蛋白质序列等．自人 列纠错等众多的生物学问题上都有着重要且广泛的应 类基因组计划实施以来，特别是随着第二代测序技术 用．特别是在单体分型及模体发现等一些需要探究序 大规模的使用与推广，现今一次深度测序技术可以产 列中块属性的问题上，常常还需要对多序列中不同偏 生 TB级的序列数据．而在对这些海量数据的分析和应 移处一段长度范围内的k—mer进行频次统计．鉴于此， 用中，k．met频次统计是一个非常基础且重要的问题． 本文针对多序列在对齐模式下，不同偏移处一段长度 k—met频次统计信息可 以用来揭示生物序列中各 范围内的 k．met频次统计问题进行了研究，并提出一