基于后缀树的多序列星比对算法研究.pdfVIP

摘要

测序技术的不断发展带来了前所未有的测序速度和大规模的测序能力，生物

学家们所需要处理的序列规模越来越大、类型越来越多，对自动化序列分析程序

的要求也越来越高。多序列比对是生物序列处理过程中的基础性任务，其准确性

将对后续的分析产生持续影响，再加上该问题本身的复杂性，致使越来越多的研

究致力于使用不同的算法来满足生物学家们各种各样的需求。

本文在实验室已有多序列比对软件HAlign的基础上，进行各种改进的尝试，

包括算法时间、空间复杂度上的改进以及比对质量上的改进。HAlign使用星比对

框架，并使用后缀树进行加速。本文尝试改进的思路主要在于后缀树数据结构、

后缀树查找方案以及查找结果的筛选、一些中间信息的存储方式等。对于本文提

出的各种改进方案，或给出了简单的证明、或进行了实验以验证其可行性和效果。

本文的主要工作内容如下：

1.对核酸序列中各碱基类型新的编码方式、配合以对后缀树组织结构的改进，

使得整个程序中对于生物信息的组织更加紧凑，最终能够加快一些相关操作的速

度，尤其是后缀树相关操作。并且利用了后缀树中的后缀链接降低了查找失败时

的时间复杂度。

2.旧版本HAlign中对于同源区段的查找结果进行贪心的筛选，但该贪心算法

并不能保证全局最优。为了避免贪心原则局部最优陷阱所带来的潜在错误，本文

使用了基于有向无环图和动态规划的算法来筛选查找结果，该算法主要包括建图、

拓扑排序和动态规划三个步骤，并且动态规划中的循环不变式保证了对于查找结

果的最优筛选，从而降低了采纳不符合生物学意义查找结果的概率。

最后，本文比较了一些其它多序列比对软件以及改进前后的HAlign在若干数

据集上的表现，主要包括比对时间消耗、空间需求以及比对结果质量的比较。可

以得出结论，HAlign在各方面均有进步，并且在高相似度的核酸序列数据集上能

够达到和其它主流多序列比对软件相媲美的比对质量。

关键词：多序列比对，字符串算法，后缀树，启发式算法，算法优化

ABSTRACT

Thedevelopmentsinsequencingtechnologieshaveenabledunprecedentedlyfast

sequencingspeedandlarge-scalesequencingcapabilities.Thereisincreasingnumberof

datasetsthatbiologistsarefacing,whichischallengingtheautomatedsequenceanalysis

tools.Multiplesequencealignmentisoneofthebasictasksintheprocessingofbiological

sequencesandtheaccuracyofalignmentaffectsthesubsequentanalyses.Thecomplexity

inthisproblemmakesthemultiplesequencealignmentpractitionerstrytopropose

differentalgorithmstomeetthevariedchallenges.

ThisworkisbasedonHAlign,whichisapieceofsoftwarepreviouslydevelopedby

theauthorslaboratory,andtriestocarryoutmultipleimprovementsintimecomplexity,

spacecomplexity,andalignmentqualityofHAlign.HAlignadoptsthestaralignment

strategyasitsframeworkandutilizessuffixtreestoacceleratepairwisesequence

alignment.Thisthesispresentstheworkthatisai