[論文レビュー] A Comparative Study on String Matching Algorithm of Biological Sequences

P. Pandiselvam, T. Marimuthu+1 more|arXiv (Cornell University)|Jan 29, 2014

Algorithms and Data Compression参考文献 5被引用数 11

ひとこと要約

本稿では、生物学的配列を対象とした複数の文字列照合アルゴリズムの性能を評価し、実際の生物学的データを用いて実行時間と空間計算量の複雑さを比較している。長配列に対しては、平均ケース性能に優れるため、ボイヤー・ムーア法が最も効率的であると判明した。一方、クヌース・マーズ・プリット（KMP）法は、さまざまな配列長にわたり一貫した性能を示し、速度とメモリ使用量のバランスの取れた妥当なトレードオフを提供している。

ABSTRACT

String matching algorithm plays the vital role in the Computational Biology. The functional and structural relationship of the biological sequence is determined by similarities on that sequence. For that, the researcher is supposed to aware of similarities on the biological sequences. Pursuing of similarity among biological sequences is an important research area of that can bring insight into the evolutionary and genetic relationships among the genes. In this paper, we have studied different kinds of string matching algorithms and observed their time and space complexities. For this study, we have assessed the performance of algorithms tested with biological sequences.

研究の動機と目的

• 生物学的配列解析の文脈において、さまざまな文字列照合アルゴリズムの性能を評価すること。
• 実際の生物学的配列に適用した際のアルゴリズムの時間計算量および空間計算量を分析すること。
• ゲノムおよびプロテオム応用における配列類似性検出に最も効率的なアルゴリズムを特定すること。
• 配列長と計算制約に応じて、研究者が最適なアルゴリズムを選択できるように支援すること。

提案手法

• ボイヤー・ムーア法、クヌース・マーズ・プリット（KMP）法、ラビン・カープ法、およびナイーブ法を含む、複数の文字列照合アルゴリズムの実装およびベンチマークテスト。
• 実行時間およびメモリ使用量を測定するために、多様な生物学的配列上でアルゴリズムを実行すること。
• 各アルゴリズムの時間計算量（最良、平均、最悪ケース）および空間計算量の分析。
• 生物学的関連性を保証するため、公開データベースからの実際の生物学的配列を用いること。
• 配列長およびパターン出現頻度の変化に伴うアルゴリズムの挙動の比較。
• 制御された実験条件下での実行時間およびメモリフットプリントの統計的評価。

実験結果

リサーチクエスチョン

• RQ1 長配列の生物学的配列において、どの文字列照合アルゴリズムが平均ケース性能が最も優れているか？
• RQ2 配列長およびパターン頻度の変化に伴い、文字列照合アルゴリズムの時間計算量および空間計算量はどのように変化するか？
• RQ3 ゲノムデータにおける類似性検出において、ボイヤー・ムーア法とKMP法の相対的な効率性はいかほどか？
• RQ4 ラビン・カープ法とナイーブ法は、生物学的配列解析におけるスケーラビリティに関してどのように比較できるか？
• RQ5 多様な生物学的配列データセットにおいて、どのアルゴリズムが最も一貫した性能を示すか？

主な発見

• ボイヤー・ムーア法は、右から左へのパターン比較および悪文字ヒューリスティックの特徴により、長配列の生物学的配列において平均実行時間が最も速かった。
• クヌース・マーズ・プリット（KMP）法は、テストした全配列長にわたり安定的かつ予測可能な性能を示し、線形時間計算量を達成した。
• ナイーブ法は時間計算量が最も高く、O(mn)の実行時間であったため、大規模な生物学的データには不適切であった。
• ラビン・カープ法は中程度の性能を示したが、特にパターン出現頻度が高い配列ではボイヤー・ムーア法およびKMP法に劣った。
• 空間計算量はすべてのアルゴリズムで一貫して低く抑えられていたが、ボイヤー・ムーア法が速度とメモリ効率のバランスが最も優れていた。
• 本研究では、ヒューリスティックに基づくアルゴリズム（ボイヤー・ムーア法など）が、大規模な生物学的配列比較タスクにおいて最も効果的であることが確認された。