DNA比对算法：BWT

BWT算法，实质上是前缀树的一种实现。那么什么是前缀树呢？

一、前缀树

对于问题p in S？如果S=rpq，那么p为S前缀rp的一个后缀。

于是，为了判断p in S 是否成立，我们找到S的所有前缀，然后逐一判断p是不是它们的后缀。为了加快效率，我们将所有的前缀建成一颗树，这棵树便是前缀树。下面，我们举例说明前缀树的建立过程和如何使用前缀树进行模式匹配。

前缀树的建立

假设S='acaacg',p='aac',那么我们首先找到S的所有前缀，如下

a

ac

aca

acaa

acaac

acaacg

于是，我们将这些前缀翻转过来，然后建立为一颗字典树，如下图

模式匹配

\(p='aac'\)，令\(p'=caa\)(即p的翻转)。显然，现在只需进行一次树的搜索，即可完成匹配。

如果在判断p in S 的同时，还需要得到p 在S 中的位置，那么只需在建树的时候，将每个字符的索引加上，例如

当然，也可以不保存索引，每次模式匹配结束时，沿着当前节点走下去，一直到为S[0]。

在节点中添加数字，有其他用处，详见我的另一篇博文广义后缀树的简介。

评价

我们可以看到，相对于常规的匹配算法，前缀树时间复杂度比较小，但占用空间较大。下面要说的BWT算法，就是解决这个问题的。

二、构建BWT(S)

仍然，以S='acaacg'为例。

令S1=S+'\$'='acaacg\$'；

循环左移S1 6次，得到S2,S3,S4,S5,S6,S7；

'acaacg\$'

'caacg\$a'

'aacg\$ac'

'acg\$aca'

'cg\$acaa'

'g\$acaac'

'\$acaacg'

对S1到S7按字典序排序(\$字符的字典序最小)，取每个串的最后一个字符，连成一个序列'gc\$aaac'。于是为BWT(S)='gc\$aaac'。

'\$acaacg'

'aacg\$ac'

'acaacg\$'

'acg\$aca'

'caacg\$a'

'cg\$acaa'

'g\$acaac'

也许，到这里，你还不清楚BWT变换和前缀树，有什么关系。那就接着往下看吧。

三、使用BWT,进行模式匹配

我们已经知道BWT(S)='gc\$aaac'，对BWT(S)中的字符进行排序得到S'='\$aaaccg'，得到下图形式的矩阵。

这个矩阵看起来，有些规律，但是又很奇怪。下面通过复原S的过程，我们来理解以下这个矩阵。

复原S

这个过程用语言描述比较麻烦，直接看图

按照图中(1)到(7)步，我们即可得到'$gcaaca'，于是S='acaacg'。

其中，斜线表示是，我们找到最后一列的某个符号，然后跳至这个符号在第一列的位置。比如，在第(2)步中，最后一列为第2个c，我们跳到第一行中第2个c的位置。

模式匹配

p='aac'，令\(p'='caa'\)，选取c作为起点，由于S中有两个c，因此有两种可能 的匹配。

从第一个c出发

从第二个c出发

因此，在方案2得到p',因此p in S是正确的。

几个问题

问题一：如何得到某个符号，在本列中是第几个？

显然，我们可以使用一个数组来保存。例如，对于'$gcaaca'，数组a=[1,1,1,1,2,2,3]。

$ g c a a c a

[1,1,1,1,2,2,3]

但是，还有一种省空间的办法。我们只保存串'$gcaaca'中某些字符的位置，这些字符我们称为checkpoint。

问题二：如何得到模式p在S中的位置？

匹配模式串之后，继续运行，直至\$，但是这样比较耗时。

另一种办法，在BWT串中记录相应的偏移。这种办法空间开销比较大，也可以采取类似于checkpoint的方法，记录部分的偏移。

四、待研究的问题

如何快速得到一个串的BWT编码?

如何允许部分匹配？

题外话

DNA比对还有一类快速的办法——使用哈希。

LeetCode-Repeated DNA Sequences (位图算法减少内存)

Repeated DNA Sequences All DNA is composed of a series of nucleotides abbreviated as A, C, G, and T, ...

51nod 1445 变色DNA ( Bellman-Ford算法求单源最短路径)

1445 变色DNA 基准时间限制:1 秒 空间限制:131072 KB 分值: 40 难度:4级算法题 有一只特别的狼,它在每个夜晚会进行变色,研究发现它可以变成N种颜色之一,将这些颜色标号为0,1 ...

HDU1560 DNA sequence —— IDA*算法

题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=1560 DNA sequence Time Limit: 15000/5000 MS (Java/Oth ...

算法 - DNA搜索 - Ako Corasick

场景:从很长的字符串(输入字符串.DNA)中搜索大量固定字符串(字典.基因) 题目:Determining DNA Health | HackerRank 算法:Aho–Corasick algori ...

一个简单算法题引发的思考<DNA　ｓｏｒｔｉｎｇ>(ａｂｏｕｔ　ｃｉｎ／ｔｅｍｐｌａｔｅ／ｎｅｗ　ｅｔｃ)

首先是昨天在北京大学oj网上看到一个简单的算法题目,虽然简单,但是如何完成一段高效.简洁.让人容易看懂的代码对于我这个基础不好,刚刚进入计算机行业的小白来说还是有意义的.而且在写代码的过程中,会发现自 ...

利用Needleman–Wunsch算法进行DNA序列全局比对

生物信息学原理作业第二弹:利用Needleman–Wunsch算法进行DNA序列全局比对. 具体原理:https://en.wikipedia.org/wiki/Needleman%E2%80%93W ...

DNA binding motif比对算法

DNA binding motif比对算法 2012-08-31 ~ ADMIN 之前介绍了序列比对的一些算法.本节主要讲述motif(有人翻译成结构模式,但本文一律使用基模)的比对算法. 那么什么是 ...

算法：POJ1007 DNA sorting

这题比较简单,重点应该在如何减少循环次数. package practice; import java.io.BufferedInputStream; import java.util.Map; im ...

BWT (Burrows–Wheeler_transform)数据转换算法

1.什么是BWT 压缩技术主要的工作方式就是找到重复的模式,进行紧密的编码. BWT(Burrows–Wheeler_transform)将原来的文本转换为一个相似的文本,转换后使得相同的字符位置连续 ...

随机推荐

省市二级联动(原生JS)

代码如下:

省市二级联动

MATLAB常用操作

1.点乘,点除,点乘方 点乘(对应元素相乘),必须同维或者其中一个是标量,a.*b 点除,a.\b表示矩阵b的每个元素除以a中对应元素或者除以常数a,a./b表示常数a除以矩阵b中每个元素或者矩阵a除 ...

c#设计模式之单例模式

单例模式(Singleton Pattern )就是为了整个应用程序的生命周期内的任何时刻,类只能创建一个实例. 单线程下的单例模式代码: public class Singleton { priva ...

selenium 处理日期控件

今天遇到日期控件无法处理的问题,在北京-air的帮助下,看了下这篇blog http://www.cnblogs.com/Fskjb/archive/2011/10/27/2227111.html 根 ...

laravel框架——路由

基本路由: Route::get('/', function () { return view('welcome'); }); Route::post('/', function () { retur ...

SQL函数返回表的示例-Z

create function [dbo].[GetOperateCustGroup] ( ), ) ) returns @TempTable table (MaxPrice float,MinPri ...

HDU1007(最近点对)

Quoit Design Time Limit: 10000/5000 MS (Java/Others)    Memory Limit: 65536/32768 K (Java/Others)Tot ...

设计模式 笔记 外观模式 Facade

//---------------------------15/04/16---------------------------- //Facade 外观模式-----对象结构型模式 /* 1:意图: ...

c# windows服务

参考:https://www.cnblogs.com/knowledgesea/p/3616127.html 序言 前段时间做一个数据迁移项目,刚开始用B/S架构做的项目,但B/S要寄存在IIs中,而 ...