Question

我正在寻找一种有效的解决方案，以便在字符串中找到容忍 n 不匹配的字符串中最长的子字符串

例如：主字符串

AGACGTAC的 TACTCTACT AGATGCA * TACTCTAC *
AGACGTAC的 TACTCTACT AGATGCA * TACTCTAC *
AGACGTAC的 TACTCTACA AGATGCA * TACTCTAC *
AGACGTAC的 TACTTTACA AGATGCA * TACTCTAC *

搜索字符串：

TACTCTACT：这应该被视为与所有上述主要字符串匹配。

另外我可能会遇到子串的一部分位于主字符串末尾的情况，我也想选择它。

如果你能给出一些指示，我将不胜感激。

PS：我将有一个搜索字符串和大约1亿个主字符串来搜索子字符串。

谢谢！ -Abhi

Answer 1

我不确定这是你所追求的，但BioPerl有一个名为Bio::Grep::Backend::Agrep的近似grep工具：

Bio :: Grep :: Backend :: Agrep使用agrep搜索查询

agrep是“近似grep”。 AFAIK，它构建了一个数据库，然后使用该数据库使您的搜索速度更快，这听起来就像您所追求的那样。

看起来你正在处理DNA序列，所以你可能已经安装了BioPerl。

您也可以尝试直接使用String::Approx：

近似匹配的Perl扩展（模糊匹配）

我怀疑Bio::Grep::Backend::Agrep会更快，更适合您的任务。

Answer 2

use strict;
use warnings;
use feature qw( say );

sub match {
   my ($s, $t, $max_x) = @_;

   my $m = my @s = unpack('(a)*', $s);
   my $n = my @t = unpack('(a)*', $t);

   my @length_at_k     = ( 0 ) x ($m+$n);
   my @mismatches_at_k = ( 0 ) x ($m+$n);
   my $offset = $m;

   my $best_length = 0;
   my @solutions;
   for my $i (0..$m-1) {
      --$offset;

      for my $j (0..$n-1) {
         my $k = $j + $offset;

         if ($s[$i] eq $t[$j]) {
            ++$length_at_k[$k];
         }
         elsif ($length_at_k[$k] > 0 && $mismatches_at_k[$k] < $max_x) {
            ++$length_at_k[$k];
            ++$mismatches_at_k[$k];
         }
         else {
            $length_at_k[$k] = 0;
            $mismatches_at_k[$k] = 0;
         }

         my $length = $length_at_k[$k] + $max_x - $mismatches_at_k[$k];
         $length = $i+1 if $length > $i+1;

         if ($length >= $best_length) {
            if ($length > $best_length) {
               $best_length = $length;
               @solutions = ();
            }

            push @solutions, $i-$length+1;
         }
      }
   }

   return map { substr($s, $_, $best_length) } @solutions;
}

say for match('AABBCC', 'DDBBEE', 2);

输出：

AABB
ABBC
BBCC

perl中的高效子字符串匹配

2 个答案: