清华大学数学建模竞赛.pdfVIP

2015 年清华大学“华罗庚杯”数学建模竞赛报告 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. 2. 3. 日期： 年 月 日 DNA 序列的k-mer index 问题 问题描述 这个问题来自 DNA 序列的 k-mer index 问题。 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｝。 现在以文件形式给定 100 万个 DNA 序列，序列编号为 1-1,000,000，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。 （6） 按重要性由高到低排列，将依据以下几点，来评价索引方法性能： 索引查询速度、索引内存使用、8G 内存下，所能支持的k 值范围、建立索引时间。 摘要 DNA 序列的 k-mer index 问题是一个在实际工作中十分重要的问题，提出一个好的 算法具有十分重要的前景。本文将从 k-mer index 问题本身的模型出发，提出一个可 并发的预先处理建立索引算法以及之后相应的快速检索算法。并将就此算法分析其实 际运行中的索引查询速度，内存使用以及索引建立时间，给出其空间与时间复杂度。 针对索引的建立，我们考虑到 DNA 的序列中实际只存在AGCT 四种字符，故其状态 本身具有很大的压缩空间。就此我们采取四进制的表示法将 DNA 序列进行状态压缩， 从而能够进行快速索引建立和便于并发构造加速，其时间复杂度和空间复杂度均为 ( 2 ) 。 针对序列检索，我们采用了一种基于字符串哈希算法的快速检索算法，能够在快 速索引建立的基础工作上进行快速检索，并在(2 ) 的时间内给出结果。 关键词 序列检索 字符串哈希算法