[論文レビュー] Chaining with overlaps revisited

Veli Mäkinen, Kristoffer Sahlin|arXiv (Cornell University)|Jan 19, 2020

Genomics and Phylogenetic Studies被引用数 7

ひとこと要約

この論文は、半グローバルなシーケンスアラインメントにおける重複するアンカーを用いたチェーニングを再考し、正確な一致ではO(n log²n)時間、非重複または緩い順序関係の場合にはO(n log n)時間の正しいアルゴリズムを提案する。最適なチェーニングにおける弱い順序関係と最長共通部分列（LCS）問題との間の直接的な関係を確立し、チェーニングスコアがアンカー制限付きLCSの長さに等しいことを示す。

ABSTRACT

Chaining algorithms aim to form a semi-global alignment of two sequences based on a set of anchoring local alignments as input. Depending on the optimization criteria and the exact definition of a chain, there are several $O(n \log n)$ time algorithms to solve this problem optimally, where $n$ is the number of input anchors. In this paper, we focus on a formulation allowing the anchors to overlap in a chain. This formulation was studied by Shibuya and Kurochin (WABI 2003), but their algorithm comes with no proof of correctness. We revisit and modify their algorithm to consider a strict definition of precedence relation on anchors, adding the required derivation to convince on the correctness of the resulting algorithm that runs in $O(n \log^2 n)$ time on anchors formed by exact matches. With the more relaxed definition of precedence relation considered by Shibuya and Kurochin or when anchors are non-nested such as matches of uniform length ($k$-mers), the algorithm takes $O(n \log n)$ time. We also establish a connection between chaining with overlaps to the widely studied longest common subsequence (LCS) problem.

研究の動機と目的

• ShibuyaとKurochkin（2003）の重複するアンカーに対するチェーニングアルゴリズムに、正しさの証明が欠落している問題に対処すること。
• 厳密な順序関係のもとで重複するアンカーを伴うチェーニングに対して、証明可能な正しいアルゴリズムを開発すること。
• 正確な一致ではO(n log²n)時間、非重複または均一なサイズのアンカー（例：k-mers）ではO(n log n)時間にまで時間計算量を低減すること。
• 重複するアンカーを伴うチェーニングと古典的な最長共通部分列（LCS）問題との間の正式な関係を確立すること。
• 弱い順序関係のもとでの最適なチェーンスコアが、実際にアンカー制限付きLCSの長さに正確に一致することを示すこと。

提案手法

• アンカー間の厳密な順序関係を定義し、両方のシーケンスにおいてすべての区間の端点が厳密に増加するようにする。
• 最適なチェーンスコアを効率的に計算するために、一般のデータ構造を用いた半動的範囲最大クエリを利用する。独自のデータ構造ではなく、一般的な構造に依存する。
• 重複するアンカー対と非重複アンカー対についてのケース別分析を通じて、アルゴリズムの正しさを導出する。
• 重複を考慮するためにカバレッジスコアを修正し、重複するセグメントを差し引くことで、アラインメントされた文字の重複数えを防ぐ。
• アンカーの順序関係と区間の重複に基づく状態遷移を用いた動的計画法を適用する。
• アンカーの再順序化とスコアの保存を介して、弱い順序関係のもとでの最適なチェーニングとアンカー制限付きLCS問題との同等性を証明する。

実験結果

リサーチクエスチョン

• RQ1 ShibuyaとKurochkin（2003）の重複するアンカーに対するチェーニングアルゴリズムは、修正され、正しさが証明可能か？
• RQ2 厳密な順序関係と重複するアンカーのもとで、証明可能な正しいチェーニングアルゴリズムの時間計算量は何か？
• RQ3 重複を伴うチェーニングの定式化は、古典的な最長共通部分列（LCS）問題とどのように関係するか？
• RQ4 最適なチェーンスコアが、実際にアンカー制限付きLCSの長さに等しいことを示せるか？
• RQ5 順序関係を緩和しても、k-mersのマッチングや非重複マッチングにおいてO(n log n)時間計算量が保たれるか？

主な発見

• 提案されたアルゴリズムは、正確な一致ではO(n log²n)時間、非重複または緩い順序関係の場合はO(n log n)時間で実行され、元のアルゴリズムが正しさの証明を欠いていた点を改善する。
• アンカーの重複と順序関係に関する詳細なケース別分析を通じて、アルゴリズムの正しさが証明され、ShibuyaとKurochkinの元の研究における欠落を解消する。
• チェーニング定式化におけるカバレッジスコアは、重複領域を差し引くことで正しく重複部分を補正し、アラインメント済み文字の過剰数えを防ぐ。
• 弱い順序関係のもとでの最適なチェーンは、実際にアンカー制限付きLCSの長さに正確に一致する。これにより、チェーニングとLCS問題との間の正式な関係が確立される。
• k-mersのマッチングや非重複アンカーの場合、アルゴリズムはO(n log n)時間に簡略化され、標準的なチェーニング問題における最良の時間計算量と一致する。
• LCSへの関連性は、より長いアンカー制限付きLCSが再構成可能であり、それによりより高いスコアのチェーンが得られることを示すことで証明される。これは最適性に矛盾する。