СиАОД_1-4.docx

Вывод

​ Реализовали генерацию фрактала «Дерево Пифагора» с применением рекурсивных функций. Из результатов тестов сделали вывод, что

«Дерево Пифагора» несложный фрактал на низких глубинах, и становится сложнее с большими глубинами.

41

задание 4 Поиск подстроки в строке ​

Цель работы

Реализовать заданный метод поиска подстроки в строке в соответствии с индивидуальным заданием. Для всех вариантов добавить реализацию добавления строк, ввода подстроки и поиска подстроки. Предусмотреть возможность существования пробела. Ввести опцию чувствительности / нечувствительности к регистру. Оценить время работы каждого алгоритма поиска и сравнить его со временем работы стандартной функции поиска, используемой в выбранном языке программирования.​

​

Вариант 18

Метод Кнута Морриса Пратта​

Ход работы

В ходе выполнения напишем реализацию Метода поиска подстроки в строке ​

std::vector<std::size_t> KMP(const std::string &text, const std::string &pattern) {

std::vector<std::size_t> res; int m = text.length();

int pattern_length = pattern.length(); // if pattern is an empty string

if (pattern_length == 0) {

std::cout << "The pattern occurs with shift 0"; return res;

}

// if text's length is less than that of pattern's if (m < pattern_length) {

std::cout << "Pattern not found"; return res;

}

42

//next[i] stores the index of the next best partial match std::vector<int> next(pattern_length + 1, 0);

//Preprocessing the pattern to calculate the LPS (Longest Prefix Suffix)

//array

for (int i = 1, len = 0; i < pattern_length;) { if (pattern[i] == pattern[len]) {

next[i++] = ++len;

}else if (len > 0) { len = next[len - 1];

}else { next[i++] = 0;

}

}

// Searching the pattern in the text using the LPS array for (int i = 0, j = 0; i < m;) {

if (text[i] == pattern[j]) { i++;

j++;

if (j == pattern_length) { res.push_back(i - j);

j = next[j - 1]; // Continue searching for next match

}

}else if (j > 0) { j = next[j - 1];

}else { i++;

}

}

return res;

}

#if 0

Для сравнения возьмем алгоритм стандартной библиотеки языка C++ ​ libstdc++ ​

43

​

int countOccurrences(const std::vector<unsigned char> &data, const std::string &pattern) {

int count = 0;

std::string dataStr(data.begin(), data.end());

std::size_t pos = dataStr.find(pattern); while (pos != std::string::npos) {

count++;

pos = dataStr.find(pattern, pos + pattern.length());

}

return count;

}

а также алгоритм для решения задачи k-nucleotide ​ (приводить его не буду) ​

​

https://benchmarksgame-team.pages.debian.net/benchmarksgame/description/knucl eotide.html#knucleotide

https://benchmarksgame-team.pages.debian.net/benchmarksgame/performance/knuc leotide.html

​

Для проверки работы нашего алгоритма, придумаем задачу приближенную к реальности, а также же такую на которой КМП должен давать более хорошие результаты по сравнению с другими методами.​

с сайта: ​ https://www.ncbi.nlm.nih.gov/​

​

были загружены секвенированные геномы 5 (184.1) MB и 11 (58.2 MB) хромосом. 5 хромосома 11 миллионов пар оснований​

​

были установлены праймеры гена рецептора дофамина в 11 хромосоме​ https://www.jstage.jst.go.jp/article/jes/13/2/13_2_57/_pdf​

​

44

например :​ (декодированный пример, праймерный участок выделен цветом) ​

>lcl|NC_000011.10_cds_NP_000788.2_142 [gene=DRD4] [db_xref=CCDS:CCDS7710.1,Ensembl:ENSP00000176183.5,GeneID:1815] [protein=D(4) dopamine receptor] [protein_id=NP_000788.2] [location=join(637305..637589,639433..639545,639648..640306,640401..640603)] [gbkey=CDS]

ATGGGGAACCGCAGCACCGCGGACGCGGACGGGCTGCTGGCTGGGCGC GGGCCGGCCGCGGGGGCATCTGCGGGGGCATCTGCGGGGCTGGCTGGGC AGGGCGCGGCGGCGCTGGTGGGGGGCGTGCTGCTCATCGGCGCGGTGCT CGCGGGGAACTCGCTCGTGTGCGTGAGCGTGGCCACCGAGCGCGCCCTG CAGACGCCCACCAACTCCTTCATCGTGAGCCTGGCGGCCGCCGACCTCCT CCTCGCTCTCCTGGTGCTGCCGCTCTTCGTCTACTCCGAGGTCCAGGGTG GCGCGTGGCTGCTGAGCCCCCGCCTGTGCGACGCCCTCATGGCCATGGA CGTCATGCTGTGCACCGCCTCCATCTTCAACCTGTGCGCCATCAGCGTGG ACAGGTTCGTGGCCGTGGCCGTGCCGCTGCGCTACAACCGGCAGGGTGG GAGCCGCCGGCAGCTGCTGCTCATCGGCGCCACGTGGCTGCTGTCCGCG GCGGTGGCGGCGCCCGTACTGTGCGGCCTCAACGACGTGCGCGGCCGCG ACCCCGCCGTGTGCCGCCTGGAGGACCGCGACTACGTGGTCTACTCGTCC GTGTGCTCCTTCTTCCTACCCTGCCCGCTCATGCTGCTGCTCTACTGGG CCACGTTCCGCGGCCTGCAGCGCTGGGAGGTGGCACGTCGCGCCAAGCT GCACGGCCGCGCGCCCCGCCGACCCAGCGGCCCTGGCCCGCCTTCCCCC ACGCCACCCGCGCCCCGCCTCCCCCAGGACCCCTGCGGCCCCGACTGTG CGCCCCCCGCGCCCGGCCTTCCCCGGGGTCCCTGCGGCCCCGACTGTGC GCCCGCCGCGCCCAGCCTCCCCCAGGACCCCTGCGGCCCCGACTGTGCG CCCCCCGCGCCCGGCCTCCCCCCGGACCCCTGCGGCTCCAACTGTGCTCC CCCCGACGCCGTCAGAGCCGCCGCGCTCCCACCCCAGACTCCACCGCAG ACCCGCAGGAGGCGGCGTGCCAAGATCACCGGCCGGGAGCGCAAGGCC ATGAGGGTCCTGCCGGTGGTGGTCGGGGCCTTCCTGCTGTGCTGGACGC CCTTCTTCGTGGTGCACATCACGCAGGCGCTGTGTCCTGCCTGCTCCGTG CCCCCGCGGCTGGTCAGCGCCGTCACCTGGCTGGGCTACGTCAACAGCG CCCTCAACCCCGTCATCTACACTGTCTTCAACGCCGAGTTCCGCAACGTC TTCCGCAAGGCCCTGCGTGCCTGCTGCTGA

​

были установлены праймеры гена рецептора адреналина в 5 хромосоме​ https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5859892/​

​

Праймеры для ПЦР — это короткие фрагменты одноцепочечной ДНК, обычно около 20 нуклеотидов в длину. В каждой реакции ПЦР используются два праймера, и они сконструированы так, чтобы фланкировать целевой участок

45

(который необходимо скопировать). Таким образом, праймеры представляют собой последовательности, которые связываются с цепями матричной ДНК точно по краям копируемой области. Праймеры связываются с матрицей, образуя пары комплементарных оснований.

В нашем случае Праймер будет использоваться как способ уникальной идентификации наличия гена. ​

​

Итак приступим, общая схема тестирования.

timer.start();

int occurrences = countOccurrences(data, pattern); timer.stop();

std::cout << "The pattern '" << pattern << "' occurs " << occurrences

<<" times in the input data." << timer.elapsedMicrosec() << " microseconds

"<< std::endl;

​

​

libstdc++ find algorithm

Компилируем простой поиск :

46

компиляция :​

g++ src/main.cpp -std=c++17 -march=native -msse -msse2 -msse3 -O3 -o simple_find​

ищем дофамин в геноме 11 хромосомы

./simple_find -p CCGCTCATGCTGCTGCTCTACTGG < sequence_11_full.fasta

The pattern 'CCGCTCATGCTGCTGCTCTACTGG' occurs 1 times in the input data: 100109 microseconds

​

можем проверить что данный паттерн не встречается в другой хромосоме​

​

./simple_find -p CCGCTCATGCTGCTGCTCTACTGG < sequence_5chomosome_full.fasta

The pattern 'CCGCTCATGCTGCTGCTCTACTGG' occurs 0 times in the input data: 296673 microseconds (время больше так как данных больше)

​

попробуем поискать рецепторы адреналина ​

​

./simple_find -p AGGCAGCTCCAGAAGATTG < sequence_11_full.fasta

The pattern 'AGGCAGCTCCAGAAGATTG' occurs 0 times in the input data: 129443 microseconds ​

​

в 11 хромосоме праймер не найден

/simple_find -p AGGCAGCTCCAGAAGATTG < sequence_5chomosome_full.fasta

The pattern 'AGGCAGCTCCAGAAGATTG' occurs 1 times in the input data: 413622 microseconds

найден 1 праймер в 11 хромосоме.

The Knute Morris Pratt search method find :

Компиляция : ​

g++ src/kmp.cpp -O3 -o kmp_find​

​

ищем дофамин в геноме 11 хромосомы ​

./kmp_find -p CCGCTCATGCTGCTGCTCTACTGG < sequence_11_full.fasta

The pattern 'CCGCTCATGCTGCTGCTCTACTGG' occurs 1 times in the input data: 180918 microseconds

47

Проверяем что этого праймера нет в другой хромосоме​

./kmp_find -p CCGCTCATGCTGCTGCTCTACTGG < sequence_5chomosome_full.fasta

The pattern 'CCGCTCATGCTGCTGCTCTACTGG' occurs 0 times in the input data: 571367 microseconds

​

праймера рецептора адреналина не найдено в 11 хрмосоме

./kmp_find -p AGGCAGCTCCAGAAGATTG < sequence_11_full.fasta

The pattern 'AGGCAGCTCCAGAAGATTG' occurs 0 times in the input data: 271423 microseconds

праймер найден в 5 хромосоме :

./kmp_find -p AGGCAGCTCCAGAAGATTG < sequence_5chomosome_full.fasta

The pattern 'AGGCAGCTCCAGAAGATTG' occurs 1 times in the input data: 887541 microseconds

​

Замеры времени

48

​

Выводы

​

​ Реализовали заданный метод поиска подстроки в строке в соответствии с индивидуальным заданием. Оценили время работы алгоритма поиска и сравнили его со временем работы стандартной функции поиска, используемой в выбранном языке программирования. И в результате получилось, что встроенный алгоритм получился немного быстрее, чем реализованный. И, скорее всего, при увеличении строки, в которой будет осуществляться поиск, разница в скорости поиска будет увеличиваться, и наилучший результат будет показывать встроенный алгоритм поиска, т.к они спроектированы для производительности в больших объемах.

​

Список Литературы

1.​ Ахо Альфред В. Структуры данных и алгоритмы:

2.​ Кормен Т., Лейзерсон Ч., Ривест Р. Алгоритмы: построение и анализ.

49

3.​ Кнут Д.Э. Искусство программирования: в 4-x томах. 4.​ Тим Рафгаден Algorithms Illuminated в 4 х томах

5.​ Andrii Gakhov probabilistic data structures and algorithms for big data applications

6.​ Thomas Mailund The Joys of Hashing

7.​ Stepanov, Alexander; Kershenbaum, Aaron Using Tournament Trees to Sort

8.​ Determination and Variability of Nucleotide Sequences for D4 Dopamine Receptor Genes (DRD4) in Genus Equus

9.​ www.geeksforgeeks.org

10.​www.ncbi.nlm.nih.gov

​

50