匹配DNA序列.pdf

DNA DNA 匹配DDNNAA序列 08 14083901150 08 14083901150 0088 1144008833990011115500 信息学院 信工 雷 坚 一、 问题背景 DNA分子是生物的遗传物质，DNA序列比对生物信息学中基本的信息处理 方法，对于发现生物序列中的功能、结构和进化信息具有重要的意义。通过比较 生物分子 序列，发现它们的相似性，找出序列之间共同的区域，同时辨别序列 之间的差异。在分子生物学中，DNA或蛋白质的相似性是多方面的，可能是核 酸或氨基酸序列的相似，可能是结构的相似，也可能是功能的相似。一个普遍的 规律是序列决定结构，结构决定功能。研究序列相似性的目的之一是，通过相似 的序列得到相似的结构或相似的功能。研究序列相似性的另一个目的是通过序列 的相似性，判别序列之间的同源性，推测序列之间的进化关系。 二、 问题定义 基因中的DNA 和 RNA链是称为核苷酸的小单元组成的序列。为了回答某 些重要的研究问题，研究人员把基因串看作计算机科学的字符串 —也就是说， 可以忽略基因串的物理和化学性质，而将其想像成字符的序列。DNA由腺嘌呤 (A)、胞嘧啶(C)、胸腺嘧啶(T)和鸟嘌呤(G)组成的核苷酸双螺旋组成。DNA的双 螺旋彼此反向互补。A和T是互补的碱基对，C和G也是互补的碱基对。所以， 可以将一条 DNA 链想像成由字母A、C、G和T组成的字符串。 在计算机学科上来说，我们可以把一个DNA序列看成是一个字符串。说要 解决的问题如下：两个字符串序列，要求返回指定长度子序列在两条序列中出现 的位置元组，当然由于DNA分子序列数据很大，所以设计的算法应该足够快。 例：a=yabcabcabcz, b = xxabcxxxx,如果指定子序列长度为3，则应返 回子字符串abc在两个序列的开始位置的元组：[(1,2),(4, 2),(7,2)]. 三、 问题分析 问题要求返回的是指定长度(k)的子字符串在两个字符串中出现的开始位 置，那么，这个子字符串必须同时属于两个字符串。所以我们的大致思路可以是 先将两个字符串的所以k长度的子字符串全部找出来，然后将两个字符串的子字 符串相比较，如果相同，则返回该子字符串在两个字符串中的开始位置。 但是按照上述思路，对于人类的DNA序列来说，把其中的一个碱基看成是 一个字符，那么将达到几百万的长度。也就是说一个字符序列有几百万个字符， 从程序设计角度来说，不管那种语言要操作这么长得一个字符串，而且还可能要 逐一求其k长度的字串，势必运行效率将变得很低。 根据以上分析，实现语言的选择将变得至关重要。Python 语言中有这样一个 特性：generator。Generator是一个函数发生器，由于要处理的数据很大，我们不 希望把它一次性全部放入内存中，而是希望将正在处理的一部分数据放入内存 中，这样就可以提高执行效率。 我们可以将问题分解为以下两步： (1) 找出第一个字符序列的所有k 长度的子字符串，用一个Multidicts()存 储起来 (2) 当第二个字符序列每产生一个k 长度的子字符串时，查找其是否在 Multidicts()内，如果在，则执行有关操作返回这个字符串在两个字符序列中得位 置；如果不在，跳出当前循环。 以本文前面给出的例子推导： (1) 分别找出字符串a, b的所以长度为3的子字符串集合： Seta = {5592: [(2, bca), (5, bca)], 5617: [(8, bcz)], 6706: [(0, yab)], 5628: [(3,cab), (6,cab)],5538:[(1,abc), (4,abc),(7,abc)]} Setb=[(0,xxa), (1,xab), (2, abc), (3,bcx), (4,cxx), (5,xxx), (6,xxx)] (2) 进行子字符串匹