题目描述:
All DNA is composed of a series of nucleotides abbreviated as A, C, G, and T, for example: "ACGAATTCCG".
When studying DNA, it is sometimes useful to identify repeated sequences within the DNA.
Write a function to find all the 10-letter-long sequences (substrings) that occur more than once in a DNA molecule.
(所有的DNA是由一系列的核苷酸组成,简称A,C,G,T,例如:“acgaattccg”。
在研究DNA时,有时识别DNA中的重复序列十分有用。
写一个函数来找到所有的10个字母的长序列(子)出现不止一次在一个DNA分子。)
For example,
Given s = "AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT",
Return:
["AAAAACCCCC", "CCCCCAAAAA"].
思路:用0(00),1(01),2(10),3(11)来分别表示ACGT四种核苷酸,所以每十位核苷酸链用20位二进制码来表示(一个int类型的数32位)将每十位核苷酸构成的整数作为键来保存在hash表中,将其出现次数作为键所对应的值,当其出现次数大于一时则放入结果集中。其实重点在于位操作的处理。key = ((key<<2)|getValue(s.charAt(i))) & 0xfffff就是得到每十位核苷酸所构成的整数,先将原序列向左移两位这样该序列的最后两位均变为0与遍历到的核苷酸所代表的二进制数进行相或处理,那么最后两位就会变成遍历到的核苷酸的二进制数,例如"...CG",现在遍历到G,原序列"...01"向左移两位变为"...0100",与G所代表的二进制"10"进行相或处理,得到新序列"...0110",因为十位核苷酸只需要用20位二进制数来表示所以还要用0xfffff(转化为二进制就是前12位为0,后20位为一)将前12位都变为0就可以得到每十位核苷酸所构成的整数。
public class Repeated_DNA_Sequences {
public static int getValue(char c)
{
if(c=='A')
return 0;
if(c=='C')
return 1;
if(c=='G')
return 2;
if(c=='T')
return 3;
return 4;
}
public static List<String> findRepeatedDnaSequences(String s)
{
List<String> result = new ArrayList<String>();
HashMap<Integer,Integer> map = new HashMap<Integer,Integer>();
int key = 0;
for(int i=0;i<s.length();i++)
{
key = ((key<<2)|getValue(s.charAt(i))) & 0xfffff;
// System.out.println(key);
if(i>=9)
{
if(map.get(key)==null)
{
map.put(key,1);
}
else
{
if(map.get(key)==1)
{
result.add(s.substring(i-9,i+1));
map.put(key,Integer.MAX_VALUE);
}
}
}
}
return result;
}
public static void main(String[] args) {
String s = "AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT";
List<String> result = findRepeatedDnaSequences(s);
System.out.println(result.size());
for(int i=0;i<result.size();i++)
{
System.out.println(result.get(i));
}
}
}