26、生物信息学中的字符串挖掘

生物信息学中的字符串挖掘

1. 后缀树与k - 元组计算

后缀树可用于计算k - 元组，但除非k值很大，否则用后缀树处理这个简单任务有些大材小用。后续会介绍如何用后缀树计算可变长度的局部匹配。

2. 最大精确匹配（Maximal Exact Matches）

2.1 定义

若一个由三元组 (l, p1, p2) 定义的精确匹配满足 S[p1 - 1] ≠ S[p2 - 1] 且 S[p1 + l] ≠ S[p2 + l] ，则该匹配为最大精确匹配。计算两个字符串 S1 和 S2 之间的最大精确匹配，可归结为计算字符串 S = S1#S2 的最大重复对，其中 # 是一个不在 S1 和 S2 中出现的唯一分隔符。

2.2 计算方法

可使用计算最大重复对的算法来计算最大精确匹配，但需做如下修改：
- 每个位置集进一步划分为两个不相交且可能为空的集合：一个包含属于 S1 的后缀的所有位置（这些位置小于 |S1| ），另一个包含属于 S2 的后缀的所有位置（这些位置大于 |S1| ）。
- 具体来说，构建集合 Pv(S1, a) ，包含 Pv 中所有对应 <