可索引奠基块图的线性时间构造
数据结构与算法
2020-05-20 v1
摘要
我们引入了一种基于最优分割概念的紧凑泛基因组表示，旨在从多序列比对(MSA)中重构奠基序列。此类奠基序列的特征在于 MSA 的每一行都是奠基序列的重组。先前已设计了若干线性时间动态规划算法来优化分割，从而诱导出奠基块，这些块可拼接成一组奠基序列。所有可能的拼接顺序可表示为一个奠基块图。我们观察到此类图的一个关键性质：若节点标签（奠基片段）在图的路径中不重复，则此类图可被索引以支持高效字符串匹配。我们称此类图为无片段重复奠基块图。我们给出了给定 MSA 构造无片段重复奠基块图的线性时间算法。该算法结合了奠基分割算法（Cazaux 等人，SPIRE 2019）与全功能双向 Burrows-Wheeler 索引（Belazzougui 和 Cunial，CPM 2019）的技术。我们推导了一种简洁索引结构，以支持图中路径上任意长度查询。报告了在 SAR-CoV-2 毒株 MSA 上的实验。大小为 的 MSA 在一分钟内被压缩为含 3900 个节点和 4440 条边的无片段重复奠基块图。节点标签的最大长度与总长度分别为 12 和 34968。图上的索引仅占 MSA 大小的 。
引用
@article{arxiv.2005.09342,
title = {Linear Time Construction of Indexable Founder Block Graphs},
author = {Veli Mäkinen and Bastien Cazaux and Massimo Equi and Tuukka Norri and Alexandru I. Tomescu},
journal= {arXiv preprint arXiv:2005.09342},
year = {2020}
}