dna大型数据库的模式匹配算法

Question

在模式匹配中是否存在任何预先存在的有效算法（DNA的大数据）？

有很多算法，如Knuth-Morris-Pratt算法，Boyer-Moore算法，基于索引的前向后向多模式算法，但它们很有效，并且当它很大时表现很差。所以请帮助我了解模式匹配中的高效算法......

Answer 1

查看BLAST algorithm。

Answer 2

我确信这一定必须在其他地方讨论过。

我猜你已经只使用两位来存储字符串（而不是每个字符使用8位）。这不仅将存储大小减少了四倍（我猜你的字符串可以长达数亿个字符），而且还减少了传输此数据的时间（例如，从磁盘到内存或从内存到CPU缓存） ）。

以下假设在要搜索的字符串保持不变的情况下存在大量查询，因此根据字符串计算和存储一些额外的数量是合理的。

• 我建议您查看suffix trees，可以使用Ukkonen's algorithm以线性时间构建。

• 如果这不可行，也许你应该考虑一种混合方法，比如建立一个固定长度为L的所有可能单词的固定集合字典，并将你的字符串划分为区域。

  • 对于词典中的每个单词存储它们出现的区域索引（在构建此列表时包括下一个区域的L-1个字符）
  • 搜索单词时，将其拆分为长度为L的字符串，并检查这些字符串出现的区域。假设最大搜索字符串长度不超过区域的长度，则搜索字符串只能出现在搜索字符串的所有部分（长度为L）出现（或位于前/后区域）的区域中
  • 使用标准字符串搜索算法，仅搜索搜索字符串的结果区域 （这可能类似于Bloom filter所做的）

对于第二种方法，您需要调整参数（字典中单词的长度L和区域的大小/数量）。