计算超大字符串集合的最优 BWT

已知在大多数实现中，字符串集合的 Burrows-Wheeler 变换（BWT）的精确形式依赖于集合中字符串的输入顺序。对输入集合中的字符串重排序会影响相等字母游程数 $r$，这可以说是基于 BWT 的数据结构（如 FM-index 或 $r$-index）最重要的参数。Bentley、Gibney 和 Thankachan [ESA 2020] 提出了一种线性时间算法，用于计算使所得 BWT 游程数最少的输入集合排列。本文中，我们提出首个保证得到最少游程数 BWT（optBWT）的工具，结合：i) 从字符串集合构建 BWT 的算法（基于 SAIS [Cenzato 等, SPIRE 2021] 或 BCR [Bauer 等, CPM 2011]）；ii) [Cox 等, Bioinformatics, 2012] 中引入的 SAP 数组数据结构；以及 iii) Bentley 等的算法。我们在真实与模拟数据上给出结果，表明相对于输入顺序在 $r$ 上取得的改进显著，且计算最优 BWT 带来的额外开销可忽略，使我们的工具在运行时间和空间占用上与其他 BWT 计算工具具有竞争力。特别是在真实数据上，optBWT 以仅 $1.39\times$ 的减速取得了最多 31 倍的游程数减少。源代码见 https://github.com/davidecenzato/optimalBWT.git。