序列匹配(五)——重复匹配问题的动态规划算法

原创： hxj7

前言：
蛋白质序列中常有重复的功能域（domain）或模体（motif）拷贝，由此衍生出一个抽象的序列多重匹配的问题，即如何从一个序列中找出另一个序列的某部分（如功能域或模体）的多个无交叠（non-overlapping)拷贝。本文给出了该问题的示例、关键计算公式以及C语言实现代码。

问题及算法描述

更具体地描述上面的问题：有序列x和y，其中y是包含结构域的序列，x是要从中找到多重匹配的序列。将x分割成一段一段的不交叠的子序列，这些子序列要么不参与和y的联配，要么与y的某一段子序列联配且联配的分值不低于一个阈值T。如果将x的某一子序列的联配分值减去T作为其“标准联配分值”，那么最终目标是找到这些参与联配的x的子序列的“标准联配分值”之和的最大值。

在《Biological sequence analysis》这本书中列举了一个蛋白质的例子：
引自《生物序列分析》

上图中显示，在最优联配（即“标准联配分值”之和最大的联配）中，x有两个子序列参与了联配，“标准联配分值”分别是1和8。
那么上图中的“标准联配分值”是如何计算得到的呢？这依然是利用动态规划算法，在《Biological sequence analysis》书中给出了关键的计算公式：
引自《生物序列分析》

其中，F(i, j)假设x(i)参与联配，且对应的联配结束于x(i)与y(j)时的“标准联配分值”之和的最大值；而F(i, 0)指的是子序列x(1,2,…,i)与y（联配可结束于y的任意位置）的“标准联配分值”之和的最大值，假设x(i)不参与联配。

一个困惑

上面计算公式的C代码实现见下文，简称其为alnRepeat，以便和本文另一段代码区分。其中一个示例如下：

没有问题，但是另一个示例的结果让我困惑：

最优分值应该是6啊。回过头再去看上面的计算公式，如果我对书中相应章节的理解无误的话，它似乎没有考虑到x两个子序列都参与联配且这两个子序列紧挨在一起的情况，最简单的就是上面AA的这个例子。理论上，最优联配中，两个连续的A应该都参与了联配，且属于两个不同的“匹配段”。

算法的补充

由此，我重新思考分值的计算公式。F(i, 0)没有问题，而F(i, j)的计算可以分为下面三种情况（注意，F(i, j)的前提条件假设了x(i)“参与”了联配）：

1. x(i-1)没有参与联配；
2. x(i-1)参与了联配，且与x(i)属于同一个“匹配段”；
3. x(i-1)参与了联配，且与x(i)属于不同的“匹配段”。

考虑了上面三种情况，F(i, j)的计算公式变成：

对上述新公式编写代码的过程中，发现输出结果有很多重复，再次检视公式，发现F(i, 1)需要单独处理，否则F(i, 1)计算公式中的F(i, 0)一项会引发歧义。于是，最终的计算公式变成：

其C语言实现代码简称alnRepeat3。
运行alnRepeat以及alnRepeat3比较二者的不同：

alnRepeat3的结果仍有重复，说明代码还要优化。

小结

本文介绍了生物序列重复匹配的问题以及相应的动态规划算法，在代码实现过程中，发现了疑似错误的示例（原计算公式似乎没有考虑到两个“匹配段”紧挨在一起的情况）并补充了计算公式。

对笔者来说，最大的收获在于学习这个新算法的过程中认真地进行过思考，但由于自身能力以及时间精力所限，对这个问题的理解以及代码实现还有很多不足，真切期望能有热心同道能够给出意见和建议！

最后，谢谢大家看此长文！

C代码

首先是alnRepeat

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#define MAXSEQ 1000
#define GAP_CHAR '-'
#define UNMATCH_CHAR '.'

// 对空位的罚分是线性的
struct Unit {
   
    int W0;   // 不参与联配，为F(i, 0)和F(i, j)共用
    int *Wj;      // 跳转到F(i - 1, j)
    int nj;       // Wj数组的大小
    int W1;   // 是否往左回溯一格
    int W2;   // 是否往左上回溯一格
    int W3;   // 是否往上回溯一格
    float M;      // 得分矩阵第(i, j)这个单元的分值，即序列s(1,...,i)与序列r(1,...,j)比对的最高得分
};
typedef struct Unit *pUnit;

void strUpper(char *s);
float max2(float a, float b);
float max3(float a, float b, float c);
float getFScore(char a, char b);
void printAlign(pUnit** a, const int i, const int j, char* s, char* r, char* saln, char* raln, int n);
void align(char *s, char *r, float t);

int main() {
   
    char s[MAXSEQ];
    char r[MAXSEQ];
    float t;
    printf("The 1st seq: ");
    scanf("%s", s);
    printf("The 2nd seq: ");
    scanf("%s", r);
    printf("T (threshold): ");
    scanf("%f", &t);
    align(s, r, t);
    return 0;
}

void strUpper(char *s) {
   
    while (*s != '\0') {
   
        if (*s >= 'a' && *s <= 'z') {
   
            *s -= 32;
        }
        s++;
    }
}

float max2(float a, float b) {
   
    return a > b ? a : b;
}

float max3(float a, float b, float c) {
   
    float f = a > b ? a : b;
    return f > c ? f : c;
}

// 替换矩阵：match分值为5，mismatch分值为-4
// 数组下标是两个字符的ascii码减去65之后的和
float FMatrix[] = {
   
    5, 0, -4, 0, 5, 0, -4, 0, -4, 0,
    0, 0, 5, 0, 0, 0, 0, 0, 0, -4,
    0, -4, 0, 0, 0, -4, 0, 0, 0, 0,
    0, 0, 0, 0, 0, 0, 0, 0, 5
};

float getFScore(char a, char b) {
   
    return FMatrix[a + b - 'A' - 'A'];
}

void printAlign(pUnit** a, const int i, const int j, char* s, char* r, char* saln, char* raln, int n) {
   
    int k, l;
    pUnit p = a[i][j];
    if (! i) {
     // 保证序列s的每个字符都比对上
        for (k = n - 1; k >= 0; k--)
            printf("%c", saln[k]);
        printf("\n");
        for (k = n - 1; k >= 0; k--)
            printf("%c", raln[k]);
        printf("\n\n");
        return;
    }
    if (! j) {
     // F(i, 0)
        saln[n] = s[i - 1];
        raln[n] = UNMATCH_CHAR;
        if (p->W0)
            printAlign(a, i - 1, 0, s, r, saln, raln, n + 1);
        for (k = 0; k < p->nj; k++)
            if (p->Wj[k])
                printAlign(a, i - 1, k + 1, s, r, saln, raln, n + 1);
    } else {
   
        if (p->W0) {
   
            printAlign(a, i, 0, s, r, saln, raln, n);
        }
        if (p->W1) {
       // 向上回溯一格
            saln[n] = s[i - 1];
            raln[n] = GAP_CHAR;
            printAlign(a, i - 1, j, s, r, saln, raln, n + 1);
        }
        if (p->W2)