浅析生物信息学动态规划算法.docVIP

精品论文 参考文献 浅析生物信息学动态规划算法 武晨 　　（河北大学生物信息学院，河北 保定 071000） 　　摘要：生物学中大量数据信息促进了生物信息学的发展，序列数据的日益增多对分析处理数据的算法、模型要求越来越高。在生物信息学中，动态规划算法是最为常用的一种方法，也是最基本的优化方法。其目的就是解决多阶段决策问题和对复杂空间进行优化。动态规划在序列比对、基因识别、结构预测生物分子探针优化问题上起着重要的作用。本文对生物信息学中动态规划的6种算法进行了简单分析，并对比各自的优缺点。 　　关键词：生物信息学；算法；动态规划 　　中图分类号：Q811.4 文献标识码：A 文章编号：1671-6035（2013）08-0000-01 　　动态规划算法解决问题的基本过程是：把问题的全局解分解为局部解，通过顺序递推的方法不断推进，求出各个局部的最优解，随着局部最优解的不断执行，逐步接近全局的解，最终获得全局最优解。文中比较了6种算法Standard DPA、Lazy DPA、Ukkonens Algorithm、Hirschberg、Linear DPA、Ukkonen Linear的区别，并比较各自优劣之处。 　　一、Standard DPA（标准动态规划算法） 　　Standard DPA是生物信息学中最流行的解决方法，其解决比对问题的基本思想可简述为：使用迭代方法计算出两个序列的相似分值，存于一个得分矩阵中；根据这个得分矩阵，回溯寻找最优的比对序列。标准动态规划算法求解过程是从两个比对序列前端开始，逐步推进，直到两个序列的末端。动态规划算法过程： 　　bull;计算过程从d 0,0开始，匹配= 0，不匹配或者插入/删除= 1。每个单元的矩阵，为d [i] [j]。 　　bull;可以按行计算，每行从左到右，也可以是按列计算，每列从上到下。只要满足在计算d i , j 　　d i-1 , j、d i-1 , j-1、和d i, j-1都已经被计算这个条件即可。 　　bull;在计算d i , j后，需要保存d i , j是从d i-1 , j、d i-1 , j-1、或d i, j-1中的哪一个推进的，或保存计算的路径，以便于后续处理。 　　bull;上述计算过程到d m , n结束。 　　标准动态规划算法的优点：因其准确性高而得到广泛应用，适用于字符数量不大的序列，易于理解。缺点：时间和空间复杂度为O(n2),而在实际的生物信息处理中,进行比对的生物序列通常有上万个以上的字符,因此标准动态规划方法不是很实用。 　　二、Lazy DPA（懒惰动态规划算法） 　　Lazy DPA是动态规划算法的一个特例，懒惰的评价是在编程中动态规划算法编辑距离问题快速运行的描述，其表达意思是快。Lazy DPA的基本思路：从问题的某一个初始解出发逐步逼近给定的目标，以最快的速度求得更好的解，直到到达最后目标，不能继续进行下，算法停止。这其中的每一步，都是得到的一个当前最优解，传递到下一步，从而保证每一步都是选择当前最优的情况，最后得到结果。每步只考虑一个数据，这个数据满足局部最优条件。 如果下一个数据与部分最优解连在一起不再是可行解时，就不把这个数据添加到部分解中。 　　Lazy DPA的优点：减少了计算的单元格数量，适用于相似度较高的两条序列比对，减少了时间和空间的复杂度。缺点：对于相似度稍差的两条序列比对，不能保证得到的结果是最佳的。 　　三、 Ukkonens Algorithm（Ukkonen算法） 　　Ukkonen也是一种实用非常广泛的算法，这种算法是在基本动态规划算法的基础上加以改进，是一种快速比对算法。Ukkonen算法的平均时间复杂度是O(n+d2),空间复杂度为O(d2)。在此,n是序列的长度,d是两条序列的得分值。但是Ukkonen算法的一个必要条件是所有突变值是正整数,匹配值为0。该算法每次对字符串的前缀生成后缀树，然后考虑字符串的下一个字符，同时在所有的后缀加入到上一个阶段，生成新的后缀树。Ukkonen算法中使用替换矩阵U。矩阵元素U〔ab,d〕表示矩阵D中沿着序列As在对角线ab方向上值为d的最大距离值。 　　Ukkonens Algorithm的优点：与输入内容或者字符串顺序无关，能大大减少空间。缺点：不能显示最优的比对结果 　　四、Hirschberg（海尔斯伯格算法） 　　Hirschberg算法一种基本动态规划算法的优化,能够解决基本动态规划算法空间复杂度太大的问题。此算法的空间复杂度为O(m十n),但是时间复杂度是基本动态规划算法的两倍。 　　Hirschberg算法的基本思想是:在得分矩阵的计算过程中不存储所