其实我觉得可以直接用16进制来计算，1个16进制数可以代表相邻2个碱基的所有组合可能，15个字符，可以转化为8个0-F的字符串。麻烦的地方在于 需要把4.8g的字串作两次转换。分别将奇数和偶数元素转换成字符串，然后约定各种8字符字符串去找吧。
On 9月23日, 上午11时17分, msmouse <[email protected]> wrote: > 就是这个意思。前面agentzh说： > "事先约定 A,T,G,C 分别对应 00, 01, 10, 11，即 2 个比特的数值。" > 即用两个位表示一个字符，15个字符即是30位。30个二进制位即是15个4进制位 > ---------------------------------- > [email protected] > [email protected] > > 2009/9/23 Jester <[email protected]> > > > > > > > "基因组字串的分布应该还是比较均匀的。因为它很接近随机序列"----这样的说法很不严谨！我相信这不是你真实的想法，但是这样的表述会误导很多人。任何一个-物种的基因组序列都不会是ATCG的随机排布！ > > > 我感觉前面有人讨论的建议的使用位运算应该是会比较节约的做法，但具体的实现我也不会。 > > 我有个不太成熟的想法，不太知道数组的存储是否会比hash节约？如果是，到底能节约多少？（请高手指教） > > 我的想法是把ATCG用0123代替，然后看作是一个4进制的数，这样可以很容易转换成一个数值，也就是数组的下标，如此对应。 > > 当然，如果数组的开销还是很大，就不行了...... > > > 我不知道你在哪个实验室，国内应该有不少做类似分析的人，郝先生今年刚发在NAR webserverissue上的CVTree本质上就是分析这个。 > > 说到底用C还是最高效的，不过用perl尝试一下也挺好。我也是丢了C很多年了，执着的perler ^_^ > > 请高手再指点吧，我也想提高一下coding技巧。 > > > jester，[email protected] > > 2009-09-23 > > ----- Original Message ----- > > From: 空格 > > To: PerlChina Mongers 讨论组 > > Sent: 2009-09-22, 23:33:47 > > Subject: [PerlChina] Re: 在我遇到的这种情况下散列和数组哪个快？ > > > >原来是这个意思。。。。 > > >基因组字串的分布应该还是比较均匀的。因为它很接近随机序列。cache的效果如何很难说。。。 > > >我原来想的就是用简单的文本文件处理。 > > >因为hash表会按键值排序，所以相似的字串在文本上比较也会比较容易些吧。 > > > >On 9月22日, 下午6时44分, msmouse wrote: > > >> 比如sqlite。。 > > > 这个想法就是把这个内存放不下的数组放在硬盘上。由于这1G种不同组合很可能不是均匀分布的，也就是说其中某些更经常出现，那么如果存储引擎有cache的话，--就可以加快访问。但是实际的效果怎么样没有试就不好说，因为在这个问题里数据访问频度虽然很可能不均匀，但是也是没有什么局部性的，如果是按块的cache（-比-如OS本身的disk > > >> cache）对这种应用的效果可能就不大理想，因为相邻访问之间涉及的地址不是连续的，cache必须不停换页。 > > >> ---------------------------------- > > >> [email protected] > > >> [email protected] > > > >> 2009/9/22 空格 > > > >> > 抱歉你说的这个"带cache的嵌入式数据库"我不懂。具体是什么，在cpan上有包么？ > > > >> > On 9月22日, 下午1时08分, msmouse wrote: > > >> > > 同意 C++的用一个vector或者bitset就搞定了，不需要自己做位计算，只需要125M内存 哈哈 > > > >> > > 如果要perl并且需要计数的话，考虑用一个带有cache的嵌入式数据库即可。。前面也提到了吧？ > > > >> > > ---------------------------------- > > >> > > [email protected] > > >> > > [email protected] > > > >> > > 2009/9/22 agentzh > > > >> > > > 2009/9/22 agentzh > > > >> > > >> 嗯嗯嗯，忘了是有重复元素的列表了。。。哈哈，多谢指正。总排列数确实是 4^15 :) 每一个位子都只有 4 种可能性，便是 > > >> > 4*4*4*...*4 > > >> > > >> 这 15 个 4 相乘。为避免存储各个 key，将 key 作 hash 到一个 int32 整数，便只有 4 个字节。 > > > >> > > > 当然，我在写上一封邮件的时候其实并不知道这样的 hash 函数是否好写。。。呵呵，应该是好写的： > > > >> > > > 1. 事先约定 A,T,G,C 分别对应 00, 01, 10, 11，即 2 个比特的数值。 > > >> > > > 2. 然后把当前的15长度的串顺序地两个比特两个比特地编码，最终得到的值便是我们要的 hash 后的数值。 > > >> > > > 3. 接着用它去下标访问我们的 1G 大小的位数组，这个寻址当是极快的。置比特也当是极快的。 > > >> > > > 4. 最后，我们遍历这个 1G 位数组，找出比特为 0 的下标，再还原为 ATGC 形式的碱基序列，便是从未出现过的 15 > > >> > 长度的串了，呵呵。 > > > >> > > > 这里我们就不关心出现的 15 长度序列的具体次数了。只记录出现过或者未出现过。这样 2 GB RAM 的机器是很够的了 ;) > > > >> > > > 不知这个是否靠谱？哈哈？ > > > >> > > > Cheers, > > >> > > > -agentzh- 隐藏被引用文字 - > > > >> - 显示引用的文字 -- 隐藏被引用文字 - > > - 显示引用的文字 - --~--~---------~--~----~------------~-------~--~----~ 您收到此信息是由于您订阅了 Google 论坛“PerlChina Mongers 讨论组”论坛。 要在此论坛发帖，请发电子邮件到 [email protected] 要退订此论坛，请发邮件至 [email protected] 更多选项，请通过 http://groups.google.com/group/perlchina?hl=zh-CN 访问该论坛 -~----------~----~----~----~------~----~------~--~---
