[发明专利]一种基于后缀数组与单调栈的基因组组装预处理方法

说明书

本发明涉及一种基于后缀数组与单调栈的基因组组装预处理方法，其中基于后缀数组与单调栈的基因组组装预处理方法包括：首先在NCBI官方网站获取需要进行基因组组装的数据集，对数据集进行处理。将数据拼接后利用gSACA‑K算法计算后缀数组等辅助信息。根据数据特点选择相应的模式构建单调栈，遍历后缀数组对单调栈进行维护，判断后缀类型进行相应的操作，并在维护过程中获取所需信息来完成基因组组装的预处理，最后根据获取到的信息来建立边权图，边权图的建立即代表基因组组装预处理的完成。

技术领域：

本发明涉及生物信息学领域，尤其涉及一种基于后缀数组与单调栈的基因组组装预处理方法。

背景技术：

基因组组装预处理是基因组组装的一部分，基因组组装是将对基因进行测序产生的基因测序数据进行拼接组装，以还原出原始的基因序列为最终目标。任何基因测序数据都需要进行基因组组装，因此不可避免的要进行基因组组装预处理。基因组组装预处理作为基因组组装的基础步骤，一直是生物信息学的热门研究方向。

基因组组装中常用的两种算法分别为OLC算法与DBG算法，其中OLC算法的第一部分是获取测序数据的overlap信息也就是基因组组装预处理，这是OLC算法的核心步骤之一。获取测序数据的overlap信息是指计算给定的测序数据之间的重叠，根据重叠信息求取每个序列最有可能的前驱或后继，这也是很多生物信息学应用的初步步骤。通过求取基因测序数据中的overlap信息以获得测序数据之间具体的组装顺序，利用这些信息以测序数据为点以overlap信息为边建立相应的边权图，将组装问题转换为图论相关问题。

目前最新的基因测序数据是第三代测序数据，主流的基因组组装算法为OLC算法与DBG算法。因为OLC算法在组装长读数据上更加高效与稳定，而第三代的测序数据恰好为长读数据，所以OLC算法为当前进行基因组组装所使用的最为广泛的算法。设计一种新的算法实现OLC算法中的预处理功能，提高算法效率，编写软件系统对新算法进行实现以替代OLC算法的预处理部分，这对所有基于OLC算法所设计的生物信息学应用软件都有很大的帮助。

发明内容：

本发明的目的是克服现有方法的不足，提出一种新的基因组组装预处理方法,特别是涉及后缀数组与单调栈的基因组组装预处理方法，以提高基因组组装预处理的速度。

一种基于后缀数组与单调栈的基因组组装预处理方法，其特征在于，包括如下步骤：

步骤1：对获取到的基因测序数据进行处理，按照数据格式将数据分组并读取有效信息；

步骤2：将读取到的信息进行处理，构建相应的辅助信息，包括后缀数组与单调栈等高级数据结构；

步骤3：通过遍历所获得的后缀数组并维护单调栈来获取所需信息，将信息整理后输出。

步骤1的实现包括：

步骤1.1：在NCBI的官方网站获取需要进行基因组组装的基因测序数据；

步骤1.2：对输入的基因测序数据集中的数据进行处理，每四行数据为一组，一次读入一组数据；将其第二行保留，其余数据视为无用数据进行舍弃；

步骤1.2.1：使用C语言编写程序读入基因测序数据文件

步骤1.2.2：使用getline函数将文件内容当做字符串进行读取，每次读取一行，只保留每四行中的第二行进行后续处理。

步骤2的实现包括：

步骤2.1：将所有数据拼接为一个超长的字符串，数据之间使用编码为1的字符进行拼接，字符串结尾加上一个编码为0的字符；

步骤2.2：使用gSACA-k算法对所拼接的字符串构建后缀数组。

步骤2.2.1：将拼接后的字符串作为gSACA-k算法的输入，建立后缀数组，最长公共前缀数组，文档数组等三个数组的辅助信息。