[发明专利]一种用于在基因序列中快速搜索给定模式的方法

权利要求书

1.一种用于在基因序列中快速搜索给定模式的方法，其特征在于，包括以下步骤：

S1、统计输入序列的背景分布；

S2、将各个给定模式的位置频率矩阵转换为PWM矩阵，根据设定的P值计算PWM矩阵的阈值K，P值表示选取范围在整个PWM可能出现的序列在总数上的占比；

S3、根据步骤S1得到的背景分布计算每个PWM矩阵的期望向量；

S4、根据设定的用于预先匹配的预计算窗口的大小和步骤S3得到的期望向量，计算每个PWM矩阵的预计算窗口位置；

S5、根据步骤S4得到的预计算窗口位置和预计算窗口的大小，计算每个PWM矩阵的预计算窗口的总排列分值；

S6、根据步骤S4得到的预计算窗口位置和步骤S3得到的期望向量，计算每个PWM矩阵的匹配顺序向量；

S7、根据步骤S6得到的匹配顺序向量计算每个PWM矩阵的最大分值向量；

S8、通过滑动窗口扫描输入序列，根据阈值K、预计算窗口总排列分值、匹配顺序向量和最大分值向量，匹配输入序列与各个PWM矩阵，得到匹配成功的结果向量。

2.根据权利要求1所述的一种用于在基因序列中快速搜索给定模式的方法，其特征在于，所述背景分布包括输入序列中各字符所占的比率，所述PWM矩阵的行数等于字符的种类数，列数等于给定模式的位置频率矩阵的列数。

3.根据权利要求1所述的一种用于在基因序列中快速搜索给定模式的方法，其特征在于，所述步骤S2中根据设定的P值计算PWM矩阵的阈值K具体包括：

根据P值确定PWM矩阵可匹配的序列数量y，对PWM矩阵的所有种类字符生成的长度为该PWM矩阵长度的所有排列组合序列，计算每个序列在该PWM矩阵中的分值并按降序排序，将第y个序列的分值作为阈值K。

4.根据权利要求1所述的一种用于在基因序列中快速搜索给定模式的方法，其特征在于，所述步骤S3中每个PWM矩阵的期望向量包括PWM矩阵每一列的期望值L_j：

其中，L_j表示PWM矩阵的第j列匹配失败的期望值，a表示某种类字符，M(j,a)表示PWM矩阵中的第j列的字符a对应的数值，q_a表示字符a在输入序列中出现的频率，A表示PWM矩阵中所有种类字符的集合。

5.根据权利要求4所述的一种用于在基因序列中快速搜索给定模式的方法，其特征在于，所述步骤S4具体包括：

设m表示PWM矩阵的列数，n表示预计算窗口的大小，若m小于等于n，则直接将PWM矩阵的预计算窗口位置置1；若m大于n，则计算PWM矩阵中从第k列位置开始的n列期望值的和：

其中，L_j表示PWM矩阵的第j列匹配失败的期望值，在求得的m-n+1个期望和中，选出最大的期望和所对应的起始列的位置作为PWM矩阵的预计算窗口位置。

6.根据权利要求5所述的一种用于在基因序列中快速搜索给定模式的方法，其特征在于，所述步骤S5具体包括：

S51、PWM矩阵的列数大于预计算窗口的大小时，设PWM矩阵的预计算窗口位置为第r列，计算PWM矩阵中除去从第r列开始的n列后剩余每列的最大值的和T，其中，n表示预计算窗口的大小；

S52、将PWM矩阵中的所有种类字符排列组合成长度为n的序列得到xⁿ个不同的总排列，其中，x表示字符的种类数；

S53、计算每个总排列在每个PWM矩阵中的分值S：

其中，a_l表示某个总排列中的第l个字符，M(l+r-1,a_l)表示PWM矩阵中l+r-1列上字符a_l的值；

S54、如果S+T≥K，则记录总排列的分值S、对应的PWM矩阵的标记和True的布尔值，否则记录分值0、对应的PWM矩阵的标记和False的布尔值；

S55、PWM矩阵的列数小于给定的预计算窗口大小时，将n值取为PWM矩阵的列数值，再按照步骤S51～S54计算PWM矩阵的预计算窗口的总排列分值。