[논문 리뷰] Simulations, Computations, and Statistics for Longest Common Subsequences

Qingqing Liu, Christian Houdré|arXiv (Cornell University)|2017. 05. 18.

Algorithms and Data Compression참고 문헌 9인용 수 3

한 줄 요약

이 논문은 랜덤 이진 서열에서 가장 긴 공통 부분수열(LCS) 길이의 평균과 분산을 추정하기 위해 몬테카를로 시뮬레이션 프레임워크를 개발하며, 서열 유사성에 대한 가설 검정 방법을 가능하게 한다. 다중 서열에 대해 Chvátal–Sankoff 상수의 새로운 이론적 상한을 도출하여, 이진 알파벳 기반으로 최대 10개의 서열에 대해 이전 결과를 향상시켰으며, 상한은 m=2일 때 0.8666에서 m=10일 때 0.6488로 감소한다.

ABSTRACT

The length of the longest common subsequences (LCSs) is often used as a similarity measurement to compare two (or more) random words. Below we study its statistical behavior in mean and variance using a Monte-Carlo approach from which we then develop a hypothesis testing method for sequences similarity. Finally, theoretical upper bounds are obtained for the Chvátal-Sankoff constant of multiple sequences.

연구 동기 및 목표

• 랜덤 이진 서열에서 LCS 길이의 평균과 분산을 몬테카를로 기반으로 추정하는 방법을 개발하기 위해.
• LCS 점수를 기반으로 서열 유사성의 통계적 유의성을 평가하기 위한 가설 검정 프레임워크를 구축하기 위해.
• 조합 및 확률 기법을 사용하여 고전적인 이중 서열 결과를 다중 서열(m ≥ 2)으로 확장하기 위해.
• 다중 서열 케이스에서 이론적 상한을 도출하여, 특히 이진 알파벳 기반의 Chvátal–Sankoff 상수에 대한 새로운 상한을 제공하기 위해.
• 생물정보학 및 서열 분석에서 실용적으로 사용할 수 있는 LCS 분포의 계산 가능 근사치를 제공하기 위해.

제안 방법

• 길이 n인 i.i.d. 랜덤 이진 서열에서 LCS 길이의 평균과 분산을 경험적으로 추정하기 위해 몬테카를로 시뮬레이션을 활용한다.
• s(a,b) = 1 (a=b일 때), 0 (다른 경우)로 정의되는 정렬 점수 함수와 0 갭 페널티를 사용하며, LCS를 최적 정렬 점수로 정의한다.
• 스티링거의 근사 및 조합적 상한을 적용하여, 서열 길이 당 평균 LCS 길이에 대한 渐近 상한을 유도한다.
• 확률이 LCS가 θn을 초과할 때의 감쇠 속도를 기술하기 위해 H_k(θ) = [k^{(θ/m)-1}(k-1)^{1-θ}] / [θ^θ(1-θ)^{1-θ}] 함수를 도입한다.
• H_k(θ) = 1을 [1/k, 1) 내에서 유일한 해로 V_k로 정의하며, 이는 Chvátal–Sankoff 상수 γ_{k,m}^*의 상한으로 기능한다.
• h_k^{(n)} ≤ (H_k(θ))^{mn} 부등식을 사용하여, LCS ≥ ℓ = θn인 m-튜플의 비율을 상한으로 제시하며, 이로 인해 lim sup E[LC_n]/n ≤ V_k 상한을 도출한다.

실험 결과

연구 질문

• RQ1 몬테카를로 시뮬레이션을 통해 유한 길이의 랜덤 이진 서열에서 LCS 길이의 경험적 평균과 분산은 무엇인가?
• RQ2 LCS 점수는 두 서열이 통계적으로 유의미하게 유사한지 판단하기 위한 타당한 가설 검정을 어떻게 구성할 수 있는가?
• RQ3 유한 알파벳 기반으로 m ≥ 2개의 랜덤 서열을 비교할 때 Chvátal–Sankoff 상수에 대한 이론적 상한은 무엇인가?
• RQ4 다중 서열에 대한 Chvátal–Sankoff 상수 상한은 기존 결과와 비교해 볼 때, 특히 이진 알파벳 기반으로 어떻게 다른가?
• RQ5 두 서열에 사용된 방법을 다중 서열으로 확장하여, 점점 더 날카운 또는 일반적인 상한을 도출할 수 있는가?

주요 결과

• 논문은 이진 알파벳 기반 m개의 서열에 대해 Chvátal–Sankoff 상수 γ_{2,m}^*가 V_2로 상한이 되며, 이는 H_2(θ) = 1을 [1/2, 1) 내에서 유일한 해로 가지는 V_2임을 규명한다.
• m=2일 경우 상한은 0.866595로, 이는 이전의 상한을 향상시키며 알려진 하한 0.781281에 가까워진다.
• m=10일 경우 상한은 0.648819로, m이 증가함에 따라 상한이 단조 감소하는 경향을 보이며 이론적 기대와 일치한다.
• m ≥ 4일 경우 기존 방법보다 더 날카운 상한을 도출하며, 특히 해석 계산이 복잡해지는 경우에 유리하다.
• 시뮬레이션된 LCS 분포를 기반으로 한 가설 검정 프레임워크는 광범위한 몬테카를로 실험을 통해 검증되었으며, 서열 유사성에 대한 통계적 추론을 가능하게 한다.
• 이론적 분석은 θ > V_k일 경우, LCS ≥ θn인 m-튜플의 비율이 지수적으로 감소함을 확인하며, V_k가 LCS의 점점 증가하는 비율에 대한 날카운 상한으로 사용될 수 있음을 뒷받침한다.