DNA 序列完全比對搜尋系統 指導教授 : 張玉盈 教授 組員 : 陳政浩、林峰世、陳俊仁
背景 Human Genome Project DNA 研究 未來發展
DNA 序列比對之難處 一段 DNA 序列的長度通常有數萬至 數百萬個字元數。 DNA 序列沒有「字」的概念。
簡介 DNA 序列，可將其視為由 4 個字母 A ， C ， G ， 及 T 所組成。 演算法使用 n-gram/2L 來實作 DNA 序列的完全 比對。 優點 : n-gram/2L 是以 n-gram inverted index 為 基礎，做出兩層的索引架構，有效地提昇效能。
Sliding Technique
Index Building Algorithm 1. Extracting 4-subsequences 2. Building the back-end index 3. Extracting 2-grams 4. Building the front-end index
建構 back-end-index
建構 front-end-index
Query Processing Query: A B B C D 2-gram: AB, BB, BC, CD Subsequence: 0 DC CB BA matches ABCD
Cover in Query 當我們欲查詢的字串 Q 與文件中的字串 S 欲 cover 時，必定符合以下條件之一： （ 1 ） Q 的字尾與 S 的字首相符 （ 2 ） Q 的字首與 S 的字尾相符 （ 3 ） Q 包含整個 S （ 4 ） S 包含整個 Q 。
Query Processing Query: A B B C D 2-gram: AB, BB, BC, CD Subsequence: 0 DC CB BA matches ABCD
Query Processing Query: A B B C D 2-gram: AB, BB, BC, CD Subsequence: 1 DC CB BB matches BBCD A B B C D Sub 1 Sub X
Query Processing Query: A B B C D 2-gram: AB, BB, BC, CD Subsequence: 2 DC CB matches BCD A B B C D Sub 2 Sub X
Query Processing Query: A B B C D 2-gram: AB, BB, BC, CD Subsequence: 3 BA DC matches CDAB A B B C D A B Sub 3 Sub X
Query Processing Query: A B B C D 2-gram: AB, BB, BC, CD Subsequence: 4 CB BA matches ABC
Query Processing Query: A B B C D 2-gram: AB, BB, BC, CD Subsequence: 5 BA matches AB A B B C D Sub x Sub 5
Query Processing 0. ABCD 1. BBCD 2. BCD 3. CDAB 4. ABC 5. AB Sub 1 : BBCD Sub 2 : BCDA Sub 3 : CDAB Sub 5 : DDAB
Query Processing Sub 1 : BBCD Sub 2 : BCDA Sub 3 : CDAB Sub 5 : DDAB Document 0 10 D 9 C 8 BB BADD BADCBADCBB5 DCBADCBADD4 CBADCBADCB3 BADDCBBADC2 ADCBADCBAD1 DCBBADDCBA
Query Processing Sub 1 : BBCD Sub 2 : BCDA Sub 5 : DDAB Document 1 A 9 D 8 CB BADC 76543
Query Processing Document 2 B 9 A 8 D 7 D D 6 C 5 BB BADC Sub 1 : BBCD Sub 2 : BCDA Sub 3 : CDAB Sub 5 : DDAB BADCBADCBB5 DCBADCBADD4 CBADCBADCB3 BADDCBBADC2 ADCBADCBAD1 DCBBADDCBA
開發環境 硬體環境 : CPU : AMD Athlon RAM : DDR 400 2GB 軟體環境 : Windows XP Service Pack 2 JDK 1.5.0_09 MySQL a-nt NetBeans IDE 5.5
結論 實作時遇到的困難 心得
DEMO