[論文レビュー] The Shift-Match Number and String Matching Probabilities for Binary Sequences

Arman Bilge, Ayşe Erzan+1 more|ArXiv.org|Sep 21, 2004

Algorithms and Data Compression被引用数 3

ひとこと要約

本稿では、より長い二進列における部分列一致確率に基づいて二進列を分類する、新たな不変量「シフトマッチ数」を導入する。この不変量により、部分列一致確率が文字列長に加え、シフトマッチ数に依存することを証明し、出現確率の再帰的計算を可能にするとともに、ゲノム配列のネットワークモデルにおける文字列次数分布にスペクトル構造が存在することを明らかにする。

ABSTRACT

We define the ``shift-match number'' for a binary string and we compute the probability of occurrence of a given string as a subsequence in longer strings in terms of its shift-match number. We thus prove that the string matching probabilities depend not only on the length of shorter strings, but also on the equivalence class of the shorter string determined by its shift-match number.

研究の動機と目的

• 長さの等しい二進列における部分列一致確率を決定する構造的不変量を同定すること。
• 同じ長さであるにもかかわらず内部構造の違いにより変動する一致確率の乖離を解明すること。
• 長さLの二進列において、ある文字列が部分列として出現する確率を再帰的に計算するフレームワークを構築すること。
• シフトマッチ数を用いて、ノードが文字列で、エッジが部分列関係を表すゲノム配列のネットワークモデルにおける次数分布を計算すること。

提案手法

• 隣接するビット間の比較に基づき、δ関数を用いて遷移を検出することで、文字列aから得られるn桁の二進数としてシフトマッチ数s(a)を定義する。
• 同じシフトマッチ数を持つ文字列同士の間で同値関係≅を定義し、同値類に属する文字列はすべて同じ部分列出現確率を持つことを示す。
• 部分一致の途中状態を考慮した条件付きカウントN(a,L,m)を用い、長さLの二進列にaが部分列として含まれる個数N(a,L)について、s(a)とLを用いた再帰的公式を導出する。
• シフトマッチ数を用いて、文字列のネットワークモデルにおける期待次数分布d(s,L)を計算する。ここで次数とは、与えられた文字列を部分列として含むより長い文字列の数を意味する。
• このフレームワークを用いて、ゲノムネットワークモデルにおける平均次数とスペクトル線強度を計算し、縮退は同じシフトマッチ数を持つ文字列の数に依存することを示す。
• 数値的および解析的にモデルを検証し、先行シミュレーションと整合性を示しつつ、次数分布に離散的スペクトル構造が存在することを明らかにする。

実験結果

リサーチクエスチョン

• RQ1 同じ長さの二進列でも、内部構造が異なる場合、部分列一致確率はどのように変動するのか。
• RQ2 二進列のどの構造的性質が、より長いランダム二進列における部分列出現確率を決定するのか。
• RQ3 一致確率の変動は、1つの不変量によって説明可能か。その数学的形は何か。
• RQ4 シフトマッチ数は、エッジが部分列関係を表すゲノム配列のネットワークモデルにおける次数分布とどのように関係するか。
• RQ5 次数分布におけるスペクトル線は、どの程度異なるシフトマッチ数に対応し、その強度はどのように決定されるか。

主な発見

• 同じ長さだが内部構造が異なる文字列は、部分列一致確率が異なり、これらはすべてシフトマッチ数によって完全に説明可能である。
• シフトマッチ数s(a)は、aの遷移構造から得られるn桁の二進数であり、同じ一致確率を持つ同値類に文字列を分類する。
• L ≥ 7のとき、同値類の数は安定化し、確率P(a,L)は特定の文字列aに依存せず、s(a)にのみ依存する。
• ネットワークモデルにおける文字列の期待次数は、そのシフトマッチ数sにのみ依存し、sが増加するにつれて単調に減少する。
• 次数分布は、異なるシフトマッチ数に対応する離散的スペクトル線に分解され、線強度ν(d(s))は同じsを持つ文字列の数に比例する。
• s(a)とLを用いたN(a,L)の再帰的公式により、一致確率を正確に計算可能となり、従来の数値的観察における構造的依存性が解消される。