Discussion :

[Wizard50]

Bonjour,

Je travail actuellement sur un projet de bioinformatique m'amenant à traiter de grandes quantité de données en rapport avec l'ADN.
J'ai donc besoin de stocker des séquences de caractères utilisant un alphabet de 4 lettres (A,C,G ou T, les 4 différentes nucléotides d'un brin d'ADN).

J'ai lu a plusieurs reprises qu'il était possible de les stocker avec 2 bits ( 00, 01, 11, 10 ) or le type qui prend le moins de place en Java, c'est le Byte (8 bits). J'ai été faire un tour sur BioJava mais leur système de séquence d'ADN utilise plus de place pour stocker un caractère qu'un Char en Java ...

Une idée peut-être ?
Au passage, j'ai cherché aussi mais si vous connaissez des HashMap ou HashSet optimisé pour les grandes quantité de donnée, je suis preneur

Merci à vous.
Bonne soirée

[tchize_]

vous n'aurez aucune optimisation en cherchant comment coder 1 élément. Ce qui importe c'est la quantité d'éléments (beaucoup il semble) et surtout comment vous compter les agencer:

un séquence continue de 5 millions de nucléotides et on parcoure à la main? Dans ce cas je stockerais dans un tableau de long (64 bits donc 32 nucléotides par entrée)

puis des méthodes qui permettraient de récupérer un élément, style

char getElementAt(int index)

et enfin pour faciliter le travail, j'en ferais une implémentation de Iterable pour pouvoir l'utiliser en itération un peu partout. Le but étant au final de cacher un peu partout ce que vous faites.

Maintenant ce stockage est bon pour un lecture séquencielle ou une lecture aléatoire, il est peut être moins bon pour appliquer facilement des algorithmes particulier recherchant des séquences précises. Genre comment implémenter un truc genre find("ACGTTAAACGTGCCAAACTACCCCAAAAAAAATCGACTTACCCAGCT")

a noter que faire un byte[size/8], un long[size/64] ou un int[size/32] reviens à la meme chose coté consommation mémoire. Par contre, plus il y a de "place" par cas, moins vous devrez accéder au tableau, ce qui peux jouer au niveau perfs en cas de lecture séquencielle! (accéder à un tableau en java implique inévitablement un vérification des limites )