[논문 리뷰] Deciding the Confusability of Words under Tandem Repeats

Yeow Meng Chee, Johan Chrisnata외 2명|arXiv (Cornell University)|2017. 07. 13.

Algorithms and Data Compression참고 문헌 17인용 수 11

한 줄 요약

이 논문은 k ≤ 3일 때 두 단어가 텐덤 복제에 대해 ≤k-confusable한지 결정하는 선형 시간 알고리즘을 제시한다. 이는 문자열 재작성과 레이블 시스템을 통한 confusability의 새로운 특성화에 기반한다. 주요 기여는 k ≤ 3에 대한 완전한 결정 절차이며, 최적의 텐덤-복제 코드 크기에 대한 개선된 상한과 하한을 포함하며, 길이 20까지의 정확한 값과 길이 21–30에 대한 재귀적 구성법을 제공한다.

ABSTRACT

Tandem duplication in DNA is the process of inserting a copy of a segment of DNA adjacent to the original position. Motivated by applications that store data in living organisms, Jain {\em et al.} (2016) proposed the study of codes that correct tandem duplications to improve the reliability of data storage. We investigate algorithms associated with the study of these codes. Two words are said to be ${\le}k$-confusable if there exists two sequences of tandem duplications of lengths at most $k$ such that the resulting words are equal. We demonstrate that the problem of deciding whether two words is ${\le}k$-confusable is linear-time solvable through a characterisation that can be checked efficiently for $k=3$. Combining with previous results, the decision problem is linear-time solvable for $k\le 3$. We conjecture that this problem is undecidable for $k>3$. Using insights gained from the algorithm, we study the size of tandem-duplication codes. We improve the previous known upper bound and then construct codes with larger sizes as compared to the previous constructions. We determine the sizes of optimal tandem-duplication codes for lengths up to twenty, develop recursive methods to construct tandem-duplication codes for all word lengths, and compute explicit lower bounds for the size of optimal tandem-duplication codes for lengths from 21 to 30.

연구 동기 및 목표

• 최대 길이 k인 텐덤 복제 하에서 두 단어가 confusable한지 결정하는 효율적인 알고리즘을 개발한다.
• 문자열 재작성과 레이블 시스템을 사용하여 k ≤ 3에 대한 confusability 문제를 특성화함으로써 선형 시간 결정이 가능하게 한다.
• 특히 짧은 단어 길이에 대해 최적의 텐덤-복제 코드 크기에 대한 상한과 하한을 개선한다.
• 임의의 길이에 대해 큰 텐덤-복제 코드를 생성하기 위한 재귀적 방법을 구축한다.
• 길이 21에서 30까지의 최적 코드 크기에 대한 정확하고 명시적인 하한을 계산한다.

제안 방법

• 텐덤 복제 하에서 구조적 불변량을 추적하기 위해 레이블 시스템을 도입하여 효율적인 confusability 검사를 가능하게 한다.
• 텐덤 복제 규칙 하에서 축소된 형태의 동치성에 기반한 ≤k-confusability의 특성화를 개발한다.
• 동적 프로그래밍을 활용하고 MaxCliqueDyn을 적용하여 길이 20까지의 최적 코드 크기를 계산한다.
• 기본 단어의 구조와 그 접미사를 기반으로 하는 재귀적 구성법(정리 18)을 제안한다.
• 유도된 후퇴 원뿔의 교차와 형식 언어 이론을 활용하여 confusability를 분석하며, 특히 k > 3의 경우에 중점을 둔다.
• 정보 이론에서의 표현력과 용량 개념을 적용하여 코드 성능과 전송률을 평가한다.

실험 결과

연구 질문

• RQ1 k ≤ 3일 때 최대 길이 k인 텐덤 복제 하에서 두 단어의 confusability 문제를 선형 시간 내에 결정할 수 있는가?
• RQ2 최대 길이 k인 텐덤 복제를纠正할 수 있는 코드의 최대 크기는 얼마이며, 이러한 코드는 어떻게 효율적으로 구성할 수 있는가?
• RQ3 코드 크기에 대한 상한과 하한은 어떻게 비교되며, 짧은 단어 길이에 대해 더 견고한 하한을 확립할 수 있는가?
• RQ4 k > 3일 때 confusability 문제의 결정 가능성이 있는가? 그리고 선형 시간 해결이 불가능하게 만드는 구조적 특성은 무엇인가?
• RQ5 임의의 길이에 대해 큰 텐덤-복제 코드를 생성하기 위한 재귀적 구성법을 유도할 수 있는가?

주요 결과

• ≤k-confusability 문제의 결정은 k ≤ 3일 때, 레이블 시스템과 축소된 형태에 기반한 특성화를 통해 선형 시간 내에 가능하다.
• 길이 1에서 20까지의 최적 텐덤-복제 코드 크기에 대한 정확한 값을 도출하였다.
• 길이 21에서 30까지는 재귀적 구성법을 사용하여 명시적인 하한을 계산하였으며, 길이 30에서 최대 코드 크기 2,464,419에 도달하였다.
• 새로운 구성법은 길이 21–30에 대해 이전 구성법 대비 최대 6.74% 높은 전송률을 확보하였다.
• 정리 4의 상한은 길이 ≥11일 때 식 (1)의 상한보다 더 낫고, 새로운 구성법은 이전 하한을 초과한다.
• 논문은 k ≥ 4일 때 confusability 문제가 결정 불가능할 것이라 추측하며, 이는 구조적 불변량의 실패와 문맥 자유 언어에서의 교차 공집합 문제의 결정 불가능성 때문이라고 주장한다.