数学建模有关DNA序列k-mer index的问题

原问题是这样的：

给定一个DNA序列，这个系列只含有4个字母ATCG，如 S =“CTGTACTGTAT”。给定一个整数值k，从S的第一个位置开始，取一连续k个字母的短串，称之为k-mer（如k= 5，则此短串为CTGTA）， 然后从S的第二个位置， 取另一k-mer（如k= 5，则此短串为TGTAC），这样直至S的末端，就得一个集合，包含全部k-mer 。 如对序列S来说，所有5-mer为｛CTGTA，TGTAC，GTACT，TACTG，ACTGT，TGTAT｝。

通常这些k-mer需一种数据索引方法，可被后面的操作快速访问。例如，对5-mer来说，当查询CTGTA，通过这种数据索引方法，可返回其在DNA序列S中的位置为｛1，6｝。

现在以文件形式给定 100万个 DNA序列，序列编号为1-1000000，每个基因序列长度为100 。

（1）要求对给定k， 给出并实现一种数据索引方法，可返回任意一个k-mer所在的DNA序列编号和相应序列中出现的位置。每次建立索引，只需支持一个k值即可，不需要支持全部k值。

（2）要求索引一旦建立，查询速度尽量快，所用内存尽量小。

（3）给出建立索引所用的计算复杂度，和空间复杂度分析。

（4）给出使用索引查询的计算复杂度，和空间复杂度分析。

（5）假设内存限制为8G，分析所设计索引方法所能支持的最大k值和相应数据查询效率。

（6）按重要性由高到低排列，将依据以下几点，来评价索引方法性能 

l 索引查询速度

l 索引内存使用

l 8G内存下，所能支持的k值范围

l 建立索引时间

本题主要是有关DNA序列的k-mer index查找问题，可将其转化为字符串的查找匹配模型问题，在处理字符串查找问题上，现在得到广泛认可的算法有适合处理字符串单模匹配的KMP算法，BM算法，以及适合处理字符串多模匹配的AC算法，WM算法等等。我们队以hash算法为基础，并作了几点优化和改进，使算法的内存占用有了一定程度的降低，查找效率也有很大提高。

本文中的算法和其它大多数算法一样，在建立索引时采用了hash算法，不同的是，我们利用一个hash函数（将DNA序列中的ATCG分别用二进制位的00,01,10,11来表示），这样做不但把DNA序列映射为一个整数，便于存储与查找，而且可以减少内存的使用，在k值取值较大时减耗尤其明显。在解决hash函数的地址冲突时，我们采用了拉链法，并且采用多级链表的形式，这样在确保查询效率较高的情况下，同样也可以减少内存的使用。

由于我们将DNA序列的ATCG分别表示为00,01,10,11，则我们可以将任意一个k-mer串映射为一个十进制整数。

假如我们的k-mer串长度为5，DNA序列ATCGA，则出于二进制左高位右低位的表示习惯考虑，我们也按照从左到右的顺序表示。则转化后如图所示。