perl的内存占用，求教&探讨

chenhao392

回复 9# mingxw


    谢谢，尤其是

            while(length($DNA)>$out_line_length) {
                    print OUT substr($DNA,0,$out_line_length,""),"\n";
            }

受教了！

longbow0

回复 10# chenhao392


    perl 函数 index 可以返回子串在字符串中的位置。只是不知道对于很长的字符串效率怎么样。

1. 
   
2. while ( my $seq = $seqi->next_seq ) {
   
3.     my $chr_seq = $seq->seq;
   
4. 
   
5.     my @sseqs = split /[a-z]+/, $chr_seq; # 提取大写序列
   
6.    
   
7.     for my $sseq ( @sseqs ) {
   
8.         next if length( $sseq ) < 500;
   
9. 
   
10.         my $start = index($chr_seq, $sseq);
    
11.         my $end = $start + length( $sseq ) -1;
    
12. 
    
13.         print 'Start: ', $start, "\t", 'End: ', $end, "\n", $sseq, "\n"; # 直接打印
    
14.      }
    
15. }

复制代码

chenhao392

回复 12# longbow0


    这个，应该不佳吧...
    要重新匹配序列的位置，生物信息有个概念叫blast的，是个启发算法。即便如此，blast完整个基因组.....也要很久了...
    当然完全相同的片段，定位该会容易些...
    但是...一个特定功能的基因，在基因组上可能有多个copy的...

    我之所以想去掉小写的片段，就是因为这些地方都是重复片段，非常影响index()一类的效率..
    我给出一个blast算法的大概说明吧：

     1. 将用于搜索的序列（query seq）打散成 三字符长的一系列片段，如ABCDE，变成ABC， BCD， CDE...
     2. 给每一个三字符片段进行生物学上的评估(如BLOSM62矩阵)，找出更有意义的片段：高分片段
     3. 将这些片段map在基因组上
     4. 将每个片段在基因组上向两侧延伸，即query seq和基因组序列进行联配(alignment)..遇到match就加分，mismatch或者gap就减分..
     5. 保留在基因组上达到一定分数的联配结果，称为（HSP：High Score..什么的）
     6. 将这些HSP综合成最后的blast输出（比如两个临近的HSP组合成一个更大的片段）

chenhao392

才看到这个帖子，留个痕迹，备看
http://bbs.chinaunix.net/viewthr ... p;extra=&page=1

zhaokang852852

perl...

longbow0

实际上，对于你所要求的 500 bp 以上的序列，出现重复的概率很小。