[論文レビュー] On the Complexity of Several Haplotyping Problems

Rudi Cilibrasi, Leo van Iersel+2 more|ArXiv.org|May 13, 2005

Gene expression and cancer classification参考文献 5被引用数 4

ひとこと要約

この論文は、MAX-CUTへの還元によって、ハプロタイプ解析におけるアンギャップド最小誤り訂正（MEC）のNP困難性を確立し、各ゲノタイプに2つの誤って特定された部位しか持たない場合の純粋パーサーモニーハプロタイピング（PPH）問題に対して多項式時間アルゴリズムを提示することで未解決問題を解決し、最大独立集合を用いてPPHを解くための新しい二部グラフ定式化を導入することで、この制限付きケースに対する効率的な解法を可能にした。

ABSTRACT

In this paper we present a collection of results pertaining to haplotyping. The first set of results concerns the combinatorial problem of reconstructing haplotypes from incomplete and/or imperfectly sequenced haplotype data. More specifically, we show that an interesting, restricted case of Minimum Error Correction (MEC) is NP-hard, point out problems in earlier claims about a related problem, and present a polynomial-time algorithm for the ungapped case of Longest Haplotype Reconstruction (LHR). Secondly, we present a polynomial time algorithm for the problem of resolving genotype data using as few haplotypes as possible (the Pure Parsimony Haplotyping Problem, PPH) where each genotype has at most two ambiguous positions, thus solving an open problem posed by Lancia et al in "Haplotyping Populations by Pure Parsimony: Complexity of Exact and Approximation Algorithms."

研究の動機と目的

• ハプロタイプ解析における最小誤り訂正（MEC）の制限付きバージョン、特にアンギャップドケースの計算複雑性を確立すること。
• Lanciaらが提起した、各ゲノタイプに2つの誤って特定された位置しか持たない場合の純粋パーサーモニーハプロタイピング（PPH）問題に関する未解決問題を解くこと。
• この制約下で、新しい二部グラフ定式化を用いてPPHの多項式時間アルゴリズムを開発すること。
• 関連するハプロタイピング問題に関する以前の主張を明確化・是正すること、特に[10]の結果に依存しているが、本目的では妥当でないものである。

提案手法

• 最適化版MAX-CUTをアンギャップドMECに還元することで、この制限付きMECバージョンの計算困難性を示し、NP困難性を証明した。
• 頂点がハプロタイプと解像インジケータを表す二部グラフ $ B = (V^+ \bigcup V^-, E) $ を構築し、エッジがゲノタイプとハプロタイプの整合性を表現するようにした。
• ハプロタイプに偶数／奇数のパリティを割り当て、ゲノタイプ解像制約をモデル化するための補助頂点集合 $ I_0(g), I_1(g,0), I_1(g,1), I_2(g,+), I_2(g,-) $ を導入した。
• グラフ $ B $ の最大独立集合（MIS）を用いて、すべてのゲノタイプを解像するために使用する異なるハプロタイプの数を最小化した。ここで $ |MaxBIS(B)| = 4n + (|H| - PPH(G)) $ が成り立つ。
• 二部グラフにおける最大独立集合と最大マッチングの等価性を活用し、$ O(mn\log n + n^{3/2}) $ 時間でMISを計算した。
• グラフ構築中に隣接関係を効率的に維持するため、ソーティングおよび重複削除技術を適用し、$ O(1) $ の隣接クエリを実現した。

実験結果

リサーチクエスチョン

• RQ1 アンギャップド最小誤り訂正（MEC）問題はNP困難であるか？ また、以前の結果に依存せず、誤りのない手法で証明可能か？
• RQ2 各ゲノタイプに2つの誤って特定された部位しか持たない場合、純粋パーサーモニーハプロタイピング（PPH）問題は多項式時間で解けるか？ これはLanciaらが提起した未解決問題を解く。
• RQ3 構築された二部グラフにおける最大独立集合のサイズと、PPHにおける必要とされるハプロタイプ数との関係は何か？
• RQ4 グラフ理論的定式化を用いて、制限付きの誤って特定された部位数の下でPPH問題を効率的にモデル化・解釈できるか？
• RQ5 特に[10]に依存しているが、MECおよびPPHの文脈では妥当でないという以前の関連問題の複雑性に関する主張は正しいか？

主な発見

• アンギャップドMECは、最適化版MAX-CUTへの直接還元によってNP困難であることが証明され、[10]の信頼性に欠ける結果に依存していた以前の主張を是正・強化した。
• 各ゲノタイプに2つの誤って特定された部位しか持たない場合、PPH問題は多項式時間で解けることが示され、Lanciaらが[14]で提起した未解決問題が解決された。
• 提案された二部グラフ定式化により、与えられたゲノタイプ集合を説明するために必要な最小ハプロタイプ数を正確に計算可能であり、$ |MaxBIS(B)| = 4n + (|H| - PPH(G)) $ が成り立つ。
• アルゴリズムは $ O(mn\log n + n^{3/2}) $ 時間で実行され、効率的なグラフ構築と最大マッチング・独立集合の計算を統合している。
• MISへの $ I $-集合の強制的含むことで、使用される異なるハプロタイプ数を最小化し、すべての解像制約が満たされることを保証した。
• 正しいゲノタイプ解像をモデル化するため、使用可能なハプロタイプは常に整合性を持つようにし、使用されないハプロタイプがMISに優先的に含まれるようにした。