Gam*_*nus 12 python algorithm bioinformatics longest-substring
我知道这是一个有点被打败的话题,但是我已经达到了可以从已经回答的问题中得到的帮助.
这是针对Rosalind项目问题的LREP.我正在尝试在字符串中找到最长的k-peated子字符串,并且我已经提供了后缀树,这很好.我知道我需要使用每个节点的后代叶子数来注释后缀表,然后找到带有>=k后代的节点,最后找到这些节点中最深的节点.理论上我已经确定了.
我从以下资源中获得了很多帮助(哎呀,我只能发布2个):
我可以从根到每个叶子获取路径,但我无法弄清楚如何以这样的方式预处理树,以便我可以从每个节点获得后代的数量.我有一个单独的算法,适用于小序列,但它具有指数复杂性,所以对于较大的东西,它需要太长时间.我知道使用DFS我应该能够以线性复杂度执行整个任务.为了使这个算法起作用,我需要能够在不到5分钟的时间内获得长度约为40,000的最长k-peat.
这是一些示例数据(第一行:sequence,第二行:k,后缀表格式:) parent child location length:
CATACATAC$
2
1 2 1 1
1 7 2 1
1 14 3 3
1 17 10 1
2 3 2 4
2 6 10 1
3 4 6 5
3 5 10 1
7 8 3 3
7 11 5 1
8 9 6 5
8 10 10 1
11 12 6 5
11 13 10 1
14 15 6 5
14 16 10 1
这个输出应该是CATAC.
使用以下代码(从LiteratePrograms修改)我已经能够获得路径,但是在较长的序列上仍然需要很长时间来解析每个节点的路径.
#authors listed at
#http://en.literateprograms.org/Depth-first_search_(Python)?action=history&offset=20081013235803
class Vertex:
def __init__(self, data):
self.data = data
self.successors = []
def depthFirstSearch(start, isGoal, result):
if start in result:
return False
result.append(start)
if isGoal(start):
return True
for v in start.successors:
if depthFirstSearch(v, isGoal, result):
return True
# No path was found
result.pop()
return False
def lrep(seq,reps,tree):
n = 2 * len(seq) - 1
v = [Vertex(i) for i in xrange(n)]
edges = [(int(x[0]),int(x[1])) for x in tree]
for a, b in edges:
v[a].successors.append(v[b])
paths = {}
for x in v:
result = []
paths[x.data] = []
if depthFirstSearch(v[1], (lambda v: v.data == x.data), result):
path = [u.data for u in result]
paths[x.data] = path
我想要做的是预先处理树以找到满足descendants >= k要求的节点,然后再找到深度.我还没有知道我将如何计算深度.虽然我想我会有一些字典来跟踪路径中每个节点的深度然后总结.
所以,我最重要的第一个问题是:"如何使用后代叶子对树进行预处理？"
我的第二个不那么重要的问题是:"在那之后,我怎样才能快速计算深度？"
PS我应该声明这不是家庭作业或任何类似的东西.我只是一名生物化学家,试图通过一些计算挑战扩大我的视野.
关于基本字符串操作练习的好问题。我不记得后缀树了 ;) 但正如你所说：理论上，你已经设置好了。
关于这个主题的维基百科存根有点令人困惑。你只需要知道，如果你是有n >= k孩子的最外面的非叶节点。如果您在整个字符串中找到了从根节点到此节点的子字符串，则后缀树会告诉您，可能存在n连续。所以一定有n地方，这个字符串出现的地方。
这个问题和许多类似问题的一个简单的关键概念是进行深度优先搜索：在每个节点中，向子元素询问它们的值并将其最大值返回给父节点。根节点将获得最终结果。
计算值的方式因问题而异。在这里，每个节点都有三种可能性：
n，则从根到此节点的每条边n的串联字符串在整个字符串中出现次数。如果我们至少需要k节点和k > n，结果也是无效的。当然，您还必须返回对应的节点。否则你会知道最长的重复子串有多长，但不知道它在哪里。
您应该先尝试自己编写代码。如果您想收集所有必要的信息，构建树很简单但并非微不足道。不过这里有一个简单的例子。请注意：如果输入以某种方式无效，则每项健全性检查都将退出，并且一切都将失败。例如，不要尝试使用除 1 之外的任何其他根索引，不要将节点称为父节点，这些节点之前没有被引用为子节点等。还有很大的改进空间 *提示;)*。
class Node(object):
def __init__(self, idx):
self.idx = idx # not needed but nice for prints
self.parent = None # edge to parent or None
self.childs = [] # list of edges
def get_deepest(self, k = 2):
max_value = -1
max_node = None
for edge in self.childs:
r = edge.n2.get_deepest()
if r is None: continue # leaf
value, node = r
value += len(edge.s)
if value > max_value: # new best result
max_value = value
max_node = node
if max_node is None:
# we are either a leaf (no edge connected) or
# the last non-leaf.
# The number of childs have to be k to be valid.
return (0, self) if len(self.childs) == k else None
else:
return (max_value, max_node)
def get_string_to_root(self):
if self.parent is None: return ""
return self.parent.n1.get_string_to_root() + self.parent.s
class Edge(object):
# creating the edge also sets the correspondending
# values in the nodes
def __init__(self, n1, n2, s):
#print "Edge %d -> %d [ %s]" % (n1.idx, n2.idx, s)
self.n1, self.n2, self.s = n1, n2, s
n1.childs.append(self)
n2.parent = self
nodes = {1 : Node(1)} # root-node
string = sys.stdin.readline()
k = int(sys.stdin.readline())
for line in sys.stdin:
parent_idx, child_idx, start, length = [int(x) for x in line.split()]
s = string[start-1:start-1+length]
# every edge constructs a Node
nodes[child_idx] = Node(child_idx)
Edge(nodes[parent_idx], nodes[child_idx], s)
(depth, node) = nodes[1].get_deepest(k)
print node.get_string_to_root()