[논문 리뷰] A Comparative Study on String Matching Algorithm of Biological Sequences

P. Pandiselvam, T. Marimuthu외 1명|arXiv (Cornell University)|2014. 01. 29.

Algorithms and Data Compression참고 문헌 5인용 수 11

한 줄 요약

이 논문은 생물학적 서열에서 다수의 문자열 매칭 알고리즘을 평가하여 실제 생물학적 데이터를 사용해 시간 복잡도와 공간 복잡도를 비교한다. 긴 서열에 대해 평균적인 성능이 뛰어나므로 보이어-무어 알고리즘이 가장 효율적임을 규명하였고, 케이너-모리스-프랫 알고리즘이 다양한 서열 길이에서 일관된 성능을 보이며 속도와 메모리 사용량 사이의 균형 잡힌 트레이드오프를 제공함을 확인하였다.

ABSTRACT

String matching algorithm plays the vital role in the Computational Biology. The functional and structural relationship of the biological sequence is determined by similarities on that sequence. For that, the researcher is supposed to aware of similarities on the biological sequences. Pursuing of similarity among biological sequences is an important research area of that can bring insight into the evolutionary and genetic relationships among the genes. In this paper, we have studied different kinds of string matching algorithms and observed their time and space complexities. For this study, we have assessed the performance of algorithms tested with biological sequences.

연구 동기 및 목표

• 생물학적 서열 분석의 맥락에서 다양한 문자열 매칭 알고리즘의 성능을 평가하기 위해.
• 실제 생물학적 서열에 적용했을 때 알고리즘의 시간 복잡도와 공간 복잡도를 분석하기 위해.
• 게놈 및 단백질체 분석 응용 분야에서 서열 유사성 탐지에 가장 효율적인 알고리즘을 특정하기 위해.
• 서열 길이와 계산 자원 제약 조건에 따라 연구자들이 최적의 알고리즘을 선택할 수 있도록 지원하기 위해.

제안 방법

• 보이어-무어, 케이너-모리스-프랫(KMP), 라빈-카프, 그리고 나이브 알고리즘을 포함한 다수의 문자열 매칭 알고리즘의 구현 및 벤치마킹.
• 실행 시간과 메모리 사용량을 측정하기 위해 다양한 생물학적 서열에서 알고리즘을 실행하기 위해.
• 각 알고리즘에 대해 시간 복잡도(최선, 평균, 최악의 경우)와 공간 복잡도를 분석하기 위해.
• 성능 테스트에서 생물학적 관련성을 확보하기 위해 공공 데이터베이스에서 확보한 실제 생물학적 서열을 사용하기 위해.
• 서열 길이와 패턴 발생 빈도에 따라 알고리즘의 동작 방식을 비교하기 위해.
• 통제된 실험 조건 하에서 실행 시간과 메모리 프로파일의 통계적 평가를 수행하기 위해.

실험 결과

연구 질문

• RQ1 긴 생물학적 서열에서 평균적인 성능가장 뛰어난 문자열 매칭 알고리즘은 무엇인가?
• RQ2 서열 길이와 패턴 빈도에 따라 문자열 매칭 알고리즘의 시간 복잡도와 공간 복잡도는 어떻게 변화하는가?
• RQ3 게놈 데이터에서 유사성을 탐지할 때 보이어-무어 알고리즘과 KMP 알고리즘의 상대적 효율성은 어떠한가?
• RQ4 생물학적 서열 분석에서 라빈-카프 알고리즘과 나이브 알고리즘의 확장성은 어떻게 비교되는가?
• RQ5 다양한 생물학적 서열 데이터셋에서 가장 일관된 성능을 보이는 알고리즘은 무엇인가?

주요 결과

• 보이어-무어 알고리즘은 오른쪽에서 왼쪽으로 패턴을 비교하고 악성 문자 히وري스틱을 사용함으로써 긴 생물학적 서열에서 가장 빠른 평균 실행 시간을 보였다.
• 케이너-모리스-프랫(KMP) 알고리즘은 모든 테스트된 서열 길이에서 안정적이고 예측 가능한 성능을 보였으며, 선형 시간 복잡도를 가졌다.
• 나이브 알고리즘은 가장 높은 시간 복잡도를 가지며, O(mn) 실행 시간으로 큰 규모의 생물학적 데이터에는 부적합하였다.
• 라빈-카프 알고리즘은 중간 정도의 성능을 보였지만, 특히 패턴 빈도가 높은 서열에서는 보이어-무어와 KMP에 뒤지지 않았다.
• 모든 알고리즘에서 공간 복잡도가 일관되게 낮았지만, 보이어-무어 알고리즘이 속도와 메모리 효율성의 최적의 균형을 달성하였다.
• 연구 결과 히وري스틱 기반 알고리즘인 보이어-무어 알고리즘이 대규모 생물학적 서열 비교 작업에서 가장 효과적임을 확인하였다.