利用字符串压缩高效构建重复文本的 BWT

我们提出了一种新的半外部算法，可在线性期望时间内构建 Bauer 等人提出的 Burrows–Wheeler 变换变体（又称 BCR BWT）。当输入规模巨大且具重复性时，我们的方法使用压缩技术来降低计算成本。具体而言，我们基于诱导后缀排序（ISS）构建，并借助游程长度与文法压缩以紧凑形式维护中间结果。我们的压缩格式不仅节省空间，还加速了所需的计算。我们的实验表明，当文本具有重复性时，在空间与计算时间上均有重要节省。在中等规模真实人类基因组组装集合（14.2 GB – 75.05 GB）中，我们的内存峰值平均比最先进的 BCR BWT 构建算法（\texttt{ropebwt2}）的峰值小 1.7 倍，同时运行速度快 5 倍。我们当前的实现还能够在 41.21 小时内使用 118.83 GB 工作内存（约为输入大小的 10%）计算出 400 个真实人类基因组组装（1.2 TB）的 BCR BWT。有趣的是，我们在 1.2 TB 文件中报告的结果主要受限于内存约束下扫描巨大文件的困难（具体而言为 I/O 操作）。这一事实表明，通过更细致地实现我们的方法，我们可以表现得更好，从而高效地扩展到更大的规模。