《后缀树的应用》-公开课件.pptVIP

第4章 后缀树的应用 精确字符串匹配问题 最长重复子串问题 最长公共子串问题 DNA污染问题 多字符串的公共子串问题 遇难者身份识别问题 最长公共前缀问题 回文问题 ...... 后缀树的应用 精确字符匹配（ESM） 生物应用 识别DNA序列中的起始密码子ATG（RNA的转录翻 译起始点） 问题定义 给定长度为n的字符串S, 对任意长度为m的查询Q, 要 求发现S中所有Q的发生位置 后缀树的应用 精确字符匹配（ESM） 解决方案 预处理：构建字符串S的后缀树 O(n) 查询： 自根向下, 根据路径标识向下匹配查询Q至节点x。如果不存在这样的节点x, 则Q不在S中。 O(m) 节点x的子树中, 每个叶子对应Q在字符串S中的一个发生。对节点x的子树, 需要一次遍历。 O(k) 后缀树的应用 精确字符匹配（ESM） 例 给定S=acacag, 发现S中所有Q=aca的发生和Q=acc的发生。 后缀树的应用 最长重复子串（LRS） 生物应用 DNA序列中的重复子串，可以相邻，也可以分离， 常被用来作为“标记位点”（绘制遗传图、体细胞杂合） ，许多疾病也是由具有某种结构的重复序列引起的 问题定义 给定长度为n的字符串S，发现其中的最长重复子串 后缀树的应用 最长重复子串（LRS） 解决方案 构建字符串S的后缀树 O(n) 遍历后缀树发现最深的内部节点v O(n) 每个内部节点的路径标识对应一个重复子串 节点v的路径标识对应最长重复子串 注意，此处的节点深度是指节点的字符串深度 后缀树的应用 最长重复子串（LRS） 例 给定S=acacag, 发现S中的最长重复子串 后缀树的应用 最长公共子串（LCS） 生物应用 发现多个序列的同源性(回想曾经介绍过的序列比对) 问题定义 给定字符串P1,P2,…,Pk(k1), 发现它们的最长公共子串 后缀树的应用 最长公共子串（LCS） 解决方案 在每个字符串的末尾添加不同的终结符 O(k) 构建n个字符串的广义后缀树 O(n) 标记树中拥有代表来自所有k个字符串后缀的内部节点 O(n) 输出字符串深度最大的标记节点 O(1) 后缀树的应用 最长公共子串（LCS） 例 给定P1=acgat, P2=cgt, 两者的最长公共子串为cg 后缀树的应用 DNA污染问题 生物应用 如何准确的测定DNA序列（难道恐龙更接近人，而不 是更像鸟或者鳄鱼?） 问题定义 给定一个新测序的DNA序列S1和一个来自可能的污染 物的DNA序列S2, 发现S2中所有出现在S1中且长度超过 给定阈值x的子串 后缀树的应用 DNA污染问题 解决方案 构建S1和S2的广义后缀树 O(n) 标记树中拥有代表来自字符串S1和S2后缀的内部节点 O(n) 输出所有字符串深度大于阈值x的标记节点 O(1) 后缀树的应用 DNA污染问题 例 给定 S1=acacag$, S2=aca#, x=2, 判断S1是否已被污染 后缀树的应用 多字符串的公共子串 生物应用 识别两个或多个基因组的保守区域，探索生物结构的 本质特征 问题定义 给定K个字符串, 对所有的k (2?k?K), 计算至少被k个 字符共有的最长公共子串的长度l(k) 后缀树的应用 多字符串的公共子串 解决方案 在每个字符串的末尾添加不同的终结符 O(k) 构建n个字符串的广义后缀树 O(n) 遍历建立的广义后缀树, 计算每一个内部节点的C(v)值 O(Kn) C(v)代表以节点v为根的子树中不同终结符的数目 遍历广义后缀树, 对每个内部节点v, 如果l(C(v))v的字符串深度, 令l(C(v))=v的字符串深度 O(n) 后缀树的应用 多字符串的公共子串 例 给定字符串集合 S={sandollar, handlot, handler, grand, pantry}， 计算l(4)和l(5) l(4)=3 {sandollar, handlot, handler, grand} (2) l(5)=2 {sandollar, handlot, handler, grand, pantry } 后缀树的应用 遇难者身份识别问题 生物应用 识别遇难者 (例如, 在战争中死亡的士兵)身份 问题定义 给定一个长度为m的字符串Q和一个字符串数据库, 查 找该字符串数据库中所有包含Q的字符串 后缀树的应用 遇难者身份识别问题 解决方案 (1) 构建包含数据库中所有字符串的广义后缀树 O(n) (2) 遍历建立的广义后缀树, 发现字符串Q的所有发生位置 O(m+occ) 后缀树的应用 最长公共前缀 问题定义