腾讯工程师提议用中文索引算法创建DNA搜索引擎
科学家解码了越来越多的基因组，但对遗传学家或研究人员来说，寻找有机体的共享基因组是一件十分艰巨的任务——因为要对比的DNA字母难以计数。
如何快速搜索巨大的生物信息学数据库？多数研究人员使用的是BLAST或FASTA算法，它们本质上逐一比较每个基因组。现在中国第三大搜索引擎、腾讯旗下搜搜（SOSO.com）的一位计算机科学家王亮（Wang Liang）提出应用中文索引算法去检索生物信息。
王亮指出，中文的每个字之间没有留下间隔，因为索引中文文档的一种方法是将文本分解成N个片段（n-grams），N代表字数，1-grams 表示一个汉字，2-grams表示两个汉字，3-grams表示三个汉字，如果搜索3个汉字，比如“敏感词”，可以通过搜索“敏感”和“感词”完成。一些中文搜索引擎就只索引2-grams。王亮称，DNA序列的统计分布应该遵循齐夫定律（Zipf'slaw）。
齐夫定律是指一个单词出现的频率与它在频率表里的排名成反比，频率最高的单词出现的频率大约是出现频率第二位的单词的2倍，而出现频率第二位的单词则是出现频率第四位的单词的2倍。王亮应用同样标准去寻找拟南芥、曲霉、果蝇和老鼠的基因组字母平均长度，他发现平均长度为12个字母，因此用12-gram索引基因组数据也许最优。
