Question

我的数据具有层次关系。让我们想象一下人类的染色体。我们有24条染色体，每条染色体都是双链的（即+/-），每条链上我们有多个区域。让我们假设不同链和染色体上的区域是独立的。目前我将所有地区存储如下：

List<List<List<Region>>> regions;

第一个列表表示染色体，第二个列表链，第三个列表表示区域。

出于我的处理目的，需要对这些列表进行各种插入/删除以及大量的顺序和随机访问。而且由于可能存在大量区域（数十亿）的速度和内存消耗效率至关重要。人类的染色体数目为24，因此只有2条链：[24 x 2 x 1E + 9]可能是regions的大小。

regions是基础，因此我想知道我的数据内存表示是否有更好的解决方案。

Answer 1

我认为最好创建一个自定义对象来保存分层数据。例如：

public class Region
{
    public List<Region> Regions { get; set; } 
    ... other properties, methods, etc
}

正如我所见，你需要使用这些数据进行一些繁重的计算。因此，您可能会尝试使此计算异步，如果是这样，请查看System.Collections.Concurrent命名空间以获取多线程集合。

Answer 2

从您的示例可以推断出您需要的最小单位是base-pair。

所以，我会建模像

public class Genome
{
    public List<Chromosome> Chromosomes {get;set;} // has 23 elements on average
}

public class Chromosome
{
    public List<Region> Regions {get;set;}
}

public class Region
{
    public List<BasePair> BasePairs {get;set;}
}

public class BasePair
{ 
   // some combinations of proteins
}

根据您需要数据的性能，我会用数据库来支持。

数据库通常没有存储30亿个数据集的问题（此处建议的大小），并且您可以跨多台计算机分发数据库以提高计算速度。

并且，这是最重要的：数据库针对非常大的数据集的随机，顺序访问进行了优化。数据库技术是计算机科学中最成熟的技术之一。

用于分层数据存储的最佳C＃集合

2 个答案: