马坚鑫_邓志杰_沈哲言.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.马坚鑫 2.邓志杰 3.沈哲言 日期： 2015 年 4 月 27 日 DNA 序列的 k-mer index 问题 摘要 本文针对 DNA 序列的 k-mer 问题进行了研究和讨论，由于k-mer 在计算基因组学 中的基因组装和基因比对有着广泛的应用，故如何快速高效地建立k-mer 索引，同时保 持相对低廉的内存消耗成为了一个很有意义的问题。 本文根据 DNA 序列的特点出了 trie 树和后缀数组两种模型，其中 trie 在小规 模的 k 值（即 k-mer 长度）表现出了很好的性能，其查询速度也达到了理论上的最优， 但是随着 k 值的增大，其空间性能上的劣势显现出来。针对这点，本文出了一种在保 持 trie 高效的时间性能基础上大幅度改善了空间性能的方法，后缀数组，并且基于后 缀数组应用了倍增算法，该算法的空间消耗线性正比于输入，不依赖于k。基于后缀数 组的版本不仅秉承了高效的检索速度，且建立索引的时间复杂度理论上界为∗ ) （其中n 为 DNA 序列总长度），与 k 无关，足以胜任海量的数据经实际运行。测试之后， 发现后缀数组的模型可以在远低于 8G 内存消耗下支持所有k 值的索引建立，完美地解 决了 k-mer index 问题。 关键字 ：k-mer trie 后缀数组 1 一、问题重述 ［i］ k-mer 通常是指在一个字符串 S 中所包含的所有长度为k 的子串 。在计算基因组 学中，k-mer 特指一个 DNA 序列的所有长度为 k 的子序列。一般地，对于一个长度为 L 的字符串 S，S 所包含的 k-mer 总数为 L-k+1；而给定一个大小为n 的字符集 ∑ ，由这个 字符集生成的所有可能的 k-mer 总数。我们可以将 DNA 序列看作是字符集只有四个字 母 (A, T, C, G)所生成的字符串，而 k-mer 在基因组学中广泛地被应用于基因序列的组 装与比对。 DNA 的k-mer 问题可以主要述如下： 问题一：对于所给的DNA 序列，对其所有的 k-mer 建立一个数据索引的方式 问题二：基于前面建立的数据索引，对于任意给出的k-mer，可以高效地查询所给 k-mer 所在的 DNA 序列以及在 DNA 序列中出现的位置 二、问题分析 问题的难点在于 DNA 序列的庞大数量，有 100 万个长度为 100 的字符串序列，若 要求支持的 k-mer 长度为 k，则所有 k-mer 的数量会达到 1000000*(101-k),加上每个