[論文レビュー] Finding Approximate Palindromes in Strings Quickly and Simply

Lloyd Allison|ArXiv.org|Dec 1, 2004

Algorithms and Data Compression参考文献 8被引用数 3

ひとこと要約

この論文は、DNA配列などの文字列における最大k個の誤りを許容する近似回文を効率的に見つける、シンプルで線形空間のアルゴリズムを提示する。動的計画法を用いた対角ベースの行列上で、平均ケースでO(k·n)の時間計算量を達成する。より複雑なバージョンでは、後処理としてのLCA（最近共通祖先）を用いた接尾辞木を用いることで、同じ最悪ケース性能を保証する。

ABSTRACT

Described are two algorithms to find long approximate palindromes in a string, for example a DNA sequence. A simple algorithm requires O(n)-space and almost always runs in $O(k.n)$-time where n is the length of the string and k is the number of ``errors'' allowed in the palindrome. Its worst-case time-complexity is $O(n^2)$ but this does not occur with real biological sequences. A more complex algorithm guarantees $O(k.n)$ worst-case time complexity.

研究の動機と目的

• 生物学的配列（例：DNA）における近似回文を高速かつメモリ効率よく検出するアルゴリズムの開発。
• 最大k個の不一致、挿入、削除を許容する回文の検出という課題への対処。
• 実際の生物学的データ、特にPlasmodium falciparumのDNAのようなAT豊富な配列においても良好に動作する実用的ソリューションの提供。
• 平均ケースでほぼ線形時間性能を達成するシンプルなアルゴリズムと、最悪ケースでO(k·n)の時間性能を保証するより複雑なバージョンの両方を提供。

提案手法

• 文字列とその逆転列のアラインメントをモデル化するため、対角上に距離行列を表現し、一致／不一致にはNE移動、インserions／deletionsにはN/E移動を用いる。
• 最大e個の誤りを許容して対角dに到達可能な最大の対角距離を格納するreach[d][e]行列を用い、O(n)空間での計算を可能にする。
• グリーディ戦略を適用：アラインメントされた部分文字列の端が一致する限り、コストをかけずに延長を継続する。
• 再帰的関係式によりreach[d][e]を計算する：reach[d][e] = max(reach[d-1][e-1]+x, reach[d][e-1]+1, reach[d+1][e-1]+x)，ここでx = d & 1。
• 複雑なバージョンでは、事前処理として接尾辞木とLCAアルゴリズムを用い、ループによる延長を定数時間の操作に置き換える。
• 計算後、O(k·n)空間を用いてパス（アラインメント）を再構築する。パス長がnに対して小さい場合は、別個の回復処理を用いる。

実験結果

リサーチクエスチョン

• RQ1 生物学的配列における近似回文を、低メモリ使用量と実用的なほぼ線形時間で効率的に検出できるか？
• RQ2 実際のDNA配列におけるk個の誤りを許容する近似回文検出の平均ケース時間計算量は何か？
• RQ3 繰り返しが多く、またはAT豊富な配列（最悪ケースの挙動を引き起こす可能性がある）において、アルゴリズムはどのように動作するか？
• RQ4 O(n)の空間使用量を維持しながら、最悪ケースでO(k·n)の時間計算量を保証できるか？
• RQ5 近似回文検出において、アルゴリズムの単純さと性能保証のトレードオフは何か？

主な発見

• シンプルなアルゴリズムは、実際のDNA配列（例：Plasmodium falciparum染色体3、1.06 Mb）においてO(k·n)時間で実行され、k=10のとき8.0秒で処理された。
• k=20およびk=40のとき、同じ配列はそれぞれ10.2秒および14.3秒で処理され、kに比例するほぼ線形のスケーリングが確認された。
• 実際のDNA配列では、1回の処理で3.7(k+1)n未満の文字比較が行われており、実用的な効率性が裏付けられた。
• 最悪ケースのO(n²)時間計算量は、Aⁿや(AT)ⁿ/²のような病理的配列でのみ発生し、実際の生物学的データでは稀である。
• 複雑なアルゴリズムでは、接尾辞木とLCA事前処理を用いることで、ループ処理を定数時間の操作に置き換え、O(k·n)の最悪ケース時間計算量を保証する。
• 最小コストのアラインメントと分解を優先し、近似回文を正確に特定する。