[发明专利]一种字符串匹配的方法及装置

说明书

技术领域

本发明涉及电子及计算机技术领域，特别是涉及字符串匹配的方法及装置。

背景技术

Burrows-Wheeler转换(Burrows-Wheeler Transform，BWT，巴罗斯-惠勒转换)又称块分类压缩(block-sorting compression)。这种数据压缩算法技术，将完整的人类基因组序列索引压缩到不到2GB大小(这是当前主流台式机甚至是笔记本电脑都能达到的水平)。因此，目前通常数据库采用BWT格式索引存储完整的人类基因组序列。BWA(Burrows-WheelerAlignment，巴罗斯-惠勒对齐)算法能够将段短片段序列(称为reads)与经BWT压缩过的参考基因组序列进行比对，最终能找出这段短片段序列在参考基因组中的定位。

比对过程主要包括，参见图1所示：

步骤101：从数据库中取出索引和由测序产生的基因短序列，该基因短序列为完整的人类基因组序列的一部分。

步骤102：根据从数据库中查询到的索引和基因短序列中的位置信息运用FM Index算法(保罗.费拉吉纳和乔瓦尔.曼奇尼于2000年提出的压缩索引算法)计算出对应的OCC数组，OCC数组包括了所有碱基四个字符在该位置的OCC值。具体的，对基因短序列中的每个字符，将该字符对应的索引，加上从0到待查询位置之间的该字符的数量，即得到该字符的OCC值。其中，索引的实质为前一个字符的坐标，初值为默认的初始索引，每成功匹配一次，该索引的值更新为当前匹配成功的字符的坐标，以作为下一个字符匹配时的起始位置。

步骤103：根据OCC数组计算出对应的SA Interval(后缀数组间隔)的坐标k和l。对于k，k[aw]＝C[a]+OCC[a，k[w]-1]+1；对于l，l＝C[a]+OCC[a，l[w]]；其中，a为当前匹配的字符，w为基因短序列中a之前的字符串；C(a)表示字符串a在基因短序列中比a小的字符个数；OCC即为输入的OCC数组；k[w]和l[w]为前一个字符的坐标。

最终得到的坐标k和l便为短片段序列在参考基因组中的BWT空间的定位。

目前BWA算法均在CPU中实现，CPU是以reads(基因短序列)为单位进行比对。也就是说，在执行步骤101时，CPU针对短片段序列中的每个字符依次取出索引和基因短序列。当基因短序列的所有字符均执行完步骤101～103时，CPU再针对下一个reads进行匹配，以此类推。该比对过程的效率较低。

发明内容

本发明实施例提供一种字符串匹配的方法及装置，用于提高匹配效率。

一种字符串匹配的方法，包括以下步骤：

为获得的多个待匹配字符串分配不同的标识，其中一个待匹配字符串中的每个字符均对应该待匹配字符串的标识；

针对多个待匹配字符串中每个待匹配字符串的每一个字符，依据BWT搜索算法，以前一个字符的坐标为起始位置与BWT空间中的目标字符串进行匹配，并在字符匹配成功时获得当前字符的坐标；

依据待匹配字符串的标识，将当前获得的字符的坐标合并到对应的待匹配字符串的匹配路径中；

当一个待匹配字符串中所有字符的坐标均合并时，确定该待匹配字符串与目标字符串匹配成功。

一种可编程逻辑装置，包括：

查询控制模块，用于为获得的多个待匹配字符串分配不同的标识，以及将待匹配字符串以字符为单位发送给匹配模块，并将该字符对应的标识发送给合并模块，其中一个待匹配字符串中的每个字符均对应该待匹配字符串的标识；

匹配模块，用于针对多个待匹配字符串中每个待匹配字符串的每一个字符，依据BWT搜索算法，以前一个字符的坐标为起始位置与BWT空间中的目标字符串进行匹配，并在字符匹配成功时获得当前字符的坐标，并输出给合并模块；

合并模块，用于依据待匹配字符串的标识，将当前获得的字符的坐标合并到对应的待匹配字符串的匹配路径中，并将合并后的匹配路径输出给联结模块；

遍历模块，用于当一个待匹配字符串中所有字符的坐标均合并时，确定该待匹配字符串与目标字符串匹配成功。

一种单板，包括：主控模块和多个可编程逻辑模块；

主控模块，用于向每个可编程逻辑模块发送多个待匹配字符串，并接收可编程逻辑模块返回的匹配结果；