PFP数据结构

前缀无关解析（PFP）由Boucher等人（2019）提出，作为简化基因组数据库Burrows-Wheeler变换（BWT）计算的预处理步骤。给定字符串$S$，它生成重叠短语的字典$D$与解析$P$，使得$\mathrm{BWT} (S)$可由$D$和$P$在以其组合大小$|\mathrm{PFP} (S)|$为界的运行时间与工作空间内计算出来。实践中$D$和$P$显著小于$S$，且由它们计算$\mathrm{BWT} (S)$比直接从$S$计算更高效，至少当$S$由同一物种个体的基因组构成时如此。本文将$\mathrm{PFP} (S)$视为一种{\em 数据结构}，并展示如何对其进行扩充以在仍保持$O (|\mathrm{PFP} (S)|)$空间下快速支持以下查询：最长公共扩展（LCE）、后缀数组（SA）、最长公共前缀（LCP）与BWT。最后，我们提供实验证据表明，PFP数据结构可针对极大型重复数据集高效构建：对于最初约占56 GB的1000个人类19号染色体变异体，其构建耗时一小时、峰值内存54 GB。