[論文レビュー] Distance Measures for Sequences

Sandeep Hosangadi|arXiv (Cornell University)|Aug 28, 2012

Algorithms and Data Compression参考文献 24被引用数 6

ひとこと要約

本稿では、配列の距離測定法を複数評価し、アラインメントを最適化し距離を低減するための巡回シフトを伴うハミング距離に焦点を当てる。ランレングス符号化とLZ77を組み合わせることで、バイナリ配列の効率的特徴付けを実現し、ゲノムデータおよびバイナリデータ応用における類似性検出の向上を示している。

ABSTRACT

Given a set of sequences, the distance between pairs of them helps us to find their similarity and derive structural relationship amongst them. For genomic sequences such measures make it possible to construct the evolution tree of organisms. In this paper we compare several distance measures and examine a method that involves circular shifting one sequence against the other for finding good alignment to minimize Hamming distance. We also use run-length encoding together with LZ77 to characterize information in a binary sequence.

研究の動機と目的

• ゲノムおよびバイナリデータにおける配列類似性のためのさまざまな距離測定法の比較。
• 最適アラインメントを実現するための巡回シフトを適用することで、ハミング距離の精度を向上させること。
• ランレングス符号化およびLZ77圧縮を用いて、バイナリ配列の情報含量を特徴付けること。
• 最適化されたアラインメントおよび圧縮技術を用いて、配列間の構造的関係を強化して検出すること。
• 堅牢で計算的に効率的な手法を用いて、系統樹の構築および配列解析を支援すること。

提案手法

• 1つの配列をもう1つの配列に対して巡回シフトすることで、最適なアラインメントによりハミング距離を最小化する。
• 連続する同一のシンボルを1つの値とカウントで表現することで、バイナリ配列をランレングス符号化で圧縮する。
• LZ77ベースの圧縮を統合し、配列の再帰的性質をモデル化し、情報含量を抽出する。
• ランレングス符号化とLZ77を組み合わせて、効率的なバイナリ配列特徴付けのハイブリッド表現を構築する。
• アラインメント最適化ハミング距離および圧縮ベース情報指標を用いて、距離測定法を評価する。
• 情報理論の原則を用いて、配列類似性および構造的関係を評価する。

実験結果

リサーチクエスチョン

• RQ1 巡回シフトは、配列アラインメントにおけるハミング距離の精度をどのように向上させるか？
• RQ2 ランレングス符号化とLZ77を組み合わせることによるバイナリ配列特徴付けへの影響は何か？
• RQ3 ゲノムおよびバイナリ配列の構造的関係を検出する際、どの距離測定法が最も優れているか？
• RQ4 圧縮ベース手法は、従来の距離測定法と比較して、配列類似性検出においてどのように異なるか？
• RQ5 巡回シフトによる最適アラインメントは、ハミング距離を低減させ、系統樹推定を改善できるか？

主な発見

• 巡回シフトにより、配列間の最適アラインメントが得られ、ハミング距離が顕著に低減される。
• ランレングス符号化とLZ77の組み合わせは、バイナリ配列における情報含量を効果的に捉える手法を提供する。
• 巡回シフトによる最適アラインメントにより、周期的または繰り返しパターンを持つ配列において類似性検出が向上する。
• 特にランレングス符号化を組み合わせた圧縮ベースの測定法は、標準的な距離測定法の強力な代替手段を提供する。
• 提案手法により、ゲノム配列における構造的関係の推定精度が向上する。
• 本手法は計算的に効率的であり、系統樹の構築などの大規模な配列解析タスクに適している。