补充数据链接:
candidates: https://pan.baidu.com/s/1nvGWbrV
bg_db: https://pan.baidu.com/s/1sllFLAd
每个字符串长度都是23,只要前面20个字符就行,由于数据太大,我只传了五分之一,大神们可以挑战一下,有速度快的可以贴一下代码,让小弟拜读一下,谢谢!
下面是正式的问题:
我现在有两个字符串数组,姑且称为candidates和bg_db,全部都是长度为20的短字符串,并且每个字符串的每个字符只有ATCG四种可能(没错!就是基因组序列啦!):
candidates = [
'GGGAGCAGGCAAGGACTCTG',
'GCTCGGGCTTGTCCACAGGA',
'...',
# 被你看出来啦,这些其实人类基因的片段
]
bg_db = [
'CTGCTGACGGGTGACACCCA',
'AGGAACTGGTGCTTGATGGC',
'...',
# 这个更多,有十亿左右
]
我的任务是对candidates的每一个candidate,找到bg_db中所有与其小于等于4个差异的记录,
举个例子来说:
# 上面一条为candidate,即candidates的一个记录
# 中间|代表相同,*代表不相同
# 下面一条代表bg_db的一条记录
A T C G A T C G A T C G A T C G A T C G
| | | | | | | | | | | | | | | | | | | | # 差异为0
A T C G A T C G A T C G A T C G A T C G
A T C G A T C G A T C G A T C G A T C G
* | | | | | | | | | | | | | | | | | | | # 差异为1
T T C G A T C G A T C G A T C G A T C G
A T C G A T C G A T C G A T C G A T C G
* | | | * | | | | | | | | | | | | | | | # 差异为2
T T C G T T C G A T C G A T C G A T C G
A T C G A T C G A T C G A T C G A T C G
* | | | * | | | | | | * | | | | | | | | # 差异为3
T T C G T T C G A T C C A T C G A T C G
A T C G A T C G A T C G A T C G A T C G
* | | | * | | | | | | * | | | * | | | | # 差异为4
T T C G T T C G A T C C A T C A A T C G
我的问题是如果快速地找到:每一个candidate在bg_db中与之差异小于等于4的所有记录,
如果采用暴力遍历的话,以Python为例:
def align(candidate, record_from_bg_db):
mismatches = 0
for i in range(20):
if candidate[i] != record_from_bg_db[i]:
mismatches += 1
if mismatches >= 4:
return False
return True
candidate = 'GGGAGCAGGCAAGGACTCTG'
record_from_bg_db = 'CTGCTGACGGGTGACACCCA'
align(candidate, record_from_bg_db) # 1.24微秒左右
# 总时间:
10000000 * 1000000000 * 1.24 / 1000 / 1000 / 60 / 60 / 24 / 365
# = 393
# 1千万个candidates,10亿条bg_db记录
# 耗时大约393年
# 完全无法忍受啊
我的想法是,bg_db是高度有序的字符串(长度固定,每个字符的可能只有四种),有没有什么算法,可以让candidate快速比较完所有的bg_db,各位大神,求赐教。
写一个思路
因为你的数据其实是很有特点的,这里可以进行精简。
因为所有的字符串都是20个字符长度,且都由
ATCG
四个字符组成。那么可以把它们变换为整数来进行比较。二进制表现形式如下
因为一个字符串长度固定,每个字符可以由2个比特位表示,所以每个字符串可以表示为一个
40
位的整数。可以表示为32+8
的形式,也可以直接使用64
位整形。建议使用C
语言来做。再来说说比较。
因为要找到
每一个candidate在bg_db中与之差异小于等于4的所有记录
,所以只要两个整数一做^
按位异或操作,结果中二进制中1不超过8个,且这不超过8个1最多只能分为4个组
的才有可能是符合要求的(00^11=11,10^01=11)。把结果的
40
个比特位分作20个组,那么就是说最多只有4
个组为b01
b10
b11
这三个值,其余的全部为b00
。那么比较算法就很好写了。
可以对每个字节(四个组)获取其中有几个组是为三个非零值的,来简介获取整体的比较结果。
因为每个字节只有
256
种可能的值,而符合条件的值只有,所以可以先将结果存储起来,然后进行获取。3^4=81
种这里给出一个函数,来获取结果中有几个是非零组。