conLSH：基于上下文的局部敏感哈希用于噪声 SMRT 读段映射

单分子实时（SMRT）测序是太平洋生物科学公司（PacBio）开发的次世代技术的最新进展。它带来了长且含噪声读段的激增，亟需前沿研究以充分利用其优势。为应对 SMRT 数据的高错误概率，本文提出了一种新颖的基于上下文局部敏感哈希（conLSH）的算法，可有效将含噪声的 SMRT 读段比对到参考基因组。此处，序列不仅基于其相近性，还基于上下文相似性一起进行哈希。该算法具有 $\mathcal{O}(n^{\rho+1})$ 的空间需求，其中 $n$ 为语料库中序列的数量，$\rho$ 为常数。索引时间和查询时间分别受限于 $\mathcal{O}( \frac{n^{\rho+1} \cdot \ln n}{\ln \frac{1}{P_2}})$ 和 $\mathcal{O}(n^\rho)$，其中 $P_2 > 0$ 为概率值。该算法对检索相似序列特别有用，这是生物学中广泛使用的任务。将所提出的基于 conLSH 的比对器与常用于 SMRT 读段比对的 rHAT 进行比较，发现其在速度和内存需求上均全面优于后者。特别地，对于智人（H.sapiens）PacBio 数据集，其处理时间减少约 $24.2\%$，同时峰值内存需求节省约 $70.3\%$。