钱雨杰_董胤蓬_马也.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： DNA 序列的k-mer index 问题 参赛队员 (打印并签名) ：1. 钱雨杰 2. 董胤蓬 3. 马 也 日期：2015 年 4 月 26 日 后缀数据结构在解决多串匹配问题中的应用 摘 要 DNA 序列的分析与查询是现代生物学研究的重要问题，而k-mer 索引问题是其中的 一个难题。k-mer 索引问题实质是字符串多串匹配问题的一个实例。本文基于后缀数据 结构，提出了一种解决多串匹配问题的通用模型，并详细分析了该模型的时间、空间性 能。我们使用该模型进行了具体的实现，很好地解决了DNA 序列k-mer 索引问题，同 时将其与其他几种常用方法做了多角度的比较，并在本文中展示了实验结果。 对于 k-mer 索引问题，我们建立的模型中选取的后缀数据结构为后缀数组。在索引 建立方面，本文介绍了建立后缀数组的倍增算法和 DC3 算法，并通过建立字典树对后 缀数组结果进行预先分组以优化查询效率。在查询方面，本文充分利用后缀数组的有序 性，采用二分查找的算法。通过理论分析，该模型建立索引的时间、空间消耗与输入规 模呈线性关系，建立索引后一次k 长度的查询所需的时间为O(k log(NK )) ，并且能够同 时支持不同长度k 的查询。 我们使用C++ 语言实现了提出的模型，对100 万条长度为100 的DNA 序列进行了 多次测试，均能在合理的时间和规定的内存限制内完成建立索引过程，而且查询速度非 常快，基本满足了k-mer 索引问题的所有需求。最后，我们还对该问题在更大数据规模 下的解决方案进行了分析，指出了未来该模型的优化方向。 关键词 DNA 序列分析 算法 数据结构 后缀数组 字符串匹配 1 1. 问题描述 在生物学中，DNA 序列的k-mer 指的是一个长度为k 的DNA 序列 （k 为正整数）， 它被广泛地应用于DNA 序列装配、序列对比、杂合率的测定等领域。例如某一DNA 序 S  k  5 列 CTGTACTGTAT ，给定一个正整数 ，则所有的5-mer 为｛CTGTA ，TGTAC ， GTACT ，TACTG ，ACTGT ，TGTAT ｝。 通常，这些k-mer 需要一种高效的数据索引方法，可以在其后的操作中快速访问。 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 ｝。 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，要求如下： 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