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 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： B 题：DNA 序列的k-mer index 问题 参赛队员 (打印并签名) ：1. 李俊均 2. 裴家耀 3. 王涛 日期： 2015 年 4 月 26 日 基于平衡二叉树的DNA 序列的k-mer index 问题算法 【摘要】：从给定的基因序列中定位特定的 k-mer 序列在基因工程和基因测序中有 着重要作用，如何在有限的内存空间中建立高效的数据结构，建立k-mer 序列的索引和 完成查询操作是解决这类问题的关键。本文提出一种基于四进制编码和平衡二叉树的算 法，对每一个k-mer 序列进行编码以压缩存储空间，并通过一系列的旋转操作保证建立 的二叉树满足平衡条件，从而实现了O(log N ) 的查询时间复杂度。同时，本文给出了关 于整个算法的时间和空间复杂度的详细分析，证明了在 8GB 的内存限制下能够支持对 所有k 的取值建立索引。 1 一、问题描述 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。 （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 二、建模总体思路 1）使用四进制编码方式为k-mer 序列编码：