孙胜扬_王亚雷_李嘉琛.pdfVIP

2015 年清华大学“华罗庚杯”数学建模竞赛 承 诺 书 我们仔细阅读了清华大学数学建模竞赛的竞赛规则. 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网 上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的 资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参 考文献中明确列出。 我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规 则的行为，我们将受到严肃处理。 我们参赛的题目是： 参赛队员 (打印并签名) ：1. 2. 3. 日期： 年 月 日 DNA 序列的k-mer index 问题 基于Hash 表的快速定位方法 摘要：随着生命科学和医学的不断发展，关于生命的研究已经从细胞、器官深入到了DNA 序列的层面，从DNA 的角度研究，就可以从根源处对现在无法治疗的病症进行解释和治 疗，并且能够更深入地揭示生命的规律。但是，我们都知道，每一个细胞中都包含了非 常长的DNA 序列，并且不同生物个体内的序列还各有不同。那么，在DNA 层面的研究中， 建立索引，来对确定的核苷酸序列进行快速定位就非常必要了。 为了能够建立DNA 序列的快速查询索引，本文先对ATCG 四种核苷酸进行了编码， 对数据容量进行了压缩。然后利用将各核苷酸置于不同位上，将一定长度的核苷酸序列 转化为一个整数值，建立了核苷酸的索引。之后在查询的时候将待查序列分段，并进行 匹配，就能够实现快速查询特定核苷酸序列。 关键词：核苷酸编码，压缩数据，分段查询，Hash 表。 一、 问题重述 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 的第一个位置开始，取一连续k 个字母的短串，称之为k-mer （如k= 5，则此短串为CTGTA），然后从S 的第二个位置，取另一k-mer （如k= 5， 则此短串为TGTAC），这样直至S 的末端，就得一个集合，包含全部k-mer 。 如对 序列S 来说，所有5-mer 为： ｛CTGTA，TGTAC，GTACT，TACTG，ACTGT，TGTAT｝ 通常这些k-mer 需一种数据索引方法，可被后面的操作快速访问。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 中的位置为 ｛1，6｝。 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 。 （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 所在的DNA 序列编号和相应序列中出现的位置。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。 （2）要求索引一旦建立，查询速度尽量快，所用内存尽量小。 （3）给出建立索引所用的计算复杂度，和空间复杂度分析。 （4）给出使用索引查询的计算复杂度，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的最大k 值和相应数 据查询效率。 二、 模型假设 1. DNA 信息使用FASTA 格式存储，即可以直接从文件中明文读取DNA 序列（如 “ATCCGAT……”） 2. 本题中的FASTA 格式文件中只保存了普通的DNA 序列，即序列中只有ATCG 四种 标识，并不包含其他代表相互作用，组合，mask 的字符。 3. 索引是对于某个特定的k 来建立的，对于不同的k，索引可能会有不同。