抗失真哈希用于相似DNA子序列的快速搜索

生物信息学的基本任务之一是在长参考序列 $R$（如人类geneome）中定位测序时读取的短子序列 $S$。一种自然的快速方法是为 $S$ 寻找哈希值，并将其与为 $R$ 中每个长度为 $|S|$ 的子序列预先准备的哈希值数据库进行比较。这种方法的问题在于它只能发现完全匹配，而现实中大量存在微小变化：替换、删除和插入。若拥有一个依据比对度量（如Needleman-Wunch）设计的可容忍某些小失真的哈希函数，该问题可得以解决：设计为使两个相似序列极可能给出相同哈希值。本文讨论抗失真哈希（DRH）的构造，以生成此类指纹用于相似子序列的快速搜索。所提方法基于率失真理论：在长度为 $|S|$ 序列的近均匀子集中，哈希值表示与 $S$ 最接近的序列。这可对碰撞距离（即具有相同哈希值的序列）进行一定控制。