4

До сих пор, работая непосредственно с SAM-файлами, мы использовали массивы. Сейчас хотим перейти на TDictionary, поскольку он гораздо удобнее в плане поиска. Возникают вопросы:
1. Иерархия словаря. Как я вижу себе структуру, которая была бы удобна для поиска:

type
DataType = record
  name,qual, info, seq:string;
  data:array[1..30] of double;
  paired, structured:boolean;
  ref:integer;
end;

TData3 = TDictionary<string, DataType>;  // по имени референса
TData2 = TDictionary<integer, TData3>; // по позиции внутри хромосомы
TData1 = TDictionary<integer, TData2>; по хромосомам

var
  dd: TData1;

тогда я могу достаточно быстро пробежаться вниз по дереву chr->pos->ref и все записи будут уникальны. А для работы с переменной dd создаю свой класс, где будут все рутины.
Прав ли я, предполагая такую структуру?

  1. Как правило, в большинстве биоинформатических утилит для обозначения хромосом используются строковый тип ['1'...'22','X','Y','MT']. Формально, я могу TData1 определить как
type 
   TData1 = TDictionary <string, TData2>; по хромосомам

но боюсь, что выигрывая в удобстве, потеряю в скорости поиска. Так ли это?

Спасибо заранее за помощь!

0

1 ответ 1

3

Вначале отвечу на второй вопрос. По опыту, разницы в скорости не наблюдается. Более того, удобнее оставлять сведения о хромосоме именно в текстовом виде, так как порой приходится иметь дело со сложными именованиями хромосом, а не все утилиты поддерживают таблицу номерного соответствия.
Более того, я предлагаю совместить первый и второй уровень вашего словаря, сделав ключом сразу полную координату {chr, pos} в виде строки формируя её либо так Key:= chr + ',' + IntToStr(pos), либо так Key:= chr + #9 + IntToStr(pos). Первый случай удобен для экспорта в Excel или BED, второй - для SAM/BAM. Скорость поиска возрастёт, неудобств при формировании ключа - минимум.
И ещё, отдельный класс создавать, на мой взгляд, не нужно. Наследуйте непосредственно TDictionary, так будет гораздо удобнее.
Суммируя всё вышенаписанное, предлагаю сделать так:

type
DataType = record
  name,qual, info, seq:string;
  data:array[1..30] of double;
  paired, structured:boolean;
  ref:integer;
end;

TData3 = TDictionary<string, DataType>;  // по имени референса
TData1 = class(TDictionary<string, TData3>); по хромосоме и позиции, ключ строится, как описано выше
    // переменные и методы класса, к данным первого уровня удобно обращаться без разъименования.
   end;

И встречный вопрос: ключ в TData3 и name в DataType у вас не одно и то же?

5
  • 1
    P.S. Мы используем схожую структуру для обработки соматики: ru.stackoverflow.com/questions/747957/… 27 ноя 2017 в 5:42
  • Спасибо за быстрый ответ. И спасибо за подсказку, как убрать уровень древа - так действительно будет быстрее!!! И да, ключ и name - одно и то же. Вы предлагаете убрать name из DataType? Но тогда, работая с переменной этого типа, я не буду иметь под рукой name. 27 ноя 2017 в 5:52
  • По вышей ссылке: а почему вы не используете тот же подход? У вас ведь хромосома и позиции находятся на разных уровнях дерева. 27 ноя 2017 в 5:55
  • Очень часто приходится копировать данные сразу по всей хромосоме. Поэтому вынуждены были использовать раздельные ключи 27 ноя 2017 в 6:33
  • 1
    name вы можете скопировать из ключа. По опыту работы с SAM он может достигать 127 байтов, это сколько лишнего вы будете таскать с собой. Плюс, при записи в файл либо вы будете писать лишние данные, либо отдельно придётся убирать дубликаты при записи в файл/поток. 27 ноя 2017 в 6:40

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge you have read our privacy policy.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.