[论文解读] Chaining with overlaps revisited

Veli Mäkinen, Kristoffer Sahlin|arXiv (Cornell University)|Jan 19, 2020

Genomics and Phylogenetic Studies被引用 7

一句话总结

本文重新探討了在半全局序列比對中使用重疊錨點的鏈接演算法，提出了一個修正且經證明的 O(n log²n) 時間演算法，適用於精確匹配，以及 O(n log n) 時間演算法，適用於非重疊或放鬆的前序關係情形。本文建立了一個直接連結：在弱前序關係下的最佳鏈接，與最長共同子序列（LCS）問題之間存在關聯，並證明鏈接分數等於受限於錨點的 LCS 長度。

ABSTRACT

Chaining algorithms aim to form a semi-global alignment of two sequences based on a set of anchoring local alignments as input. Depending on the optimization criteria and the exact definition of a chain, there are several $O(n \log n)$ time algorithms to solve this problem optimally, where $n$ is the number of input anchors. In this paper, we focus on a formulation allowing the anchors to overlap in a chain. This formulation was studied by Shibuya and Kurochin (WABI 2003), but their algorithm comes with no proof of correctness. We revisit and modify their algorithm to consider a strict definition of precedence relation on anchors, adding the required derivation to convince on the correctness of the resulting algorithm that runs in $O(n \log^2 n)$ time on anchors formed by exact matches. With the more relaxed definition of precedence relation considered by Shibuya and Kurochin or when anchors are non-nested such as matches of uniform length ($k$-mers), the algorithm takes $O(n \log n)$ time. We also establish a connection between chaining with overlaps to the widely studied longest common subsequence (LCS) problem.

研究动机与目标

• 為了解決 Shibuya 和 Kurochkin（2003）在重疊錨點鏈接演算法中缺乏正確性證明的問題。
• 發展一個在嚴格前序關係下，針對重疊錨點的鏈接演算法，並提供可證明的正確性。
• 將時間複雜度降低至精確匹配時為 O(n log²n)，非重疊或均勻大小錨點（例如 k-mer）時為 O(n log n)。
• 建立鏈接演算法與最長共同子序列（LCS）問題之間的正式關聯。
• 證明在弱前序關係下的最佳鏈接分數，恰好等於受限於錨點的 LCS 長度。

提出的方法

• 引入錨點之間的嚴格前序關係，定義為兩序列中所有區間端點在兩者中均嚴格遞增。
• 使用半動態範圍最大值查詢，以高效計算最佳鏈接分數，依賴通用資料結構而非自訂結構。
• 透過對重疊與非重疊錨點對的案例分析，推導出演算法的正確性。
• 修改覆蓋分數以考慮重疊，透過減去重疊區段，確保對齊字元不會被重複計算。
• 應用動態規劃，其狀態轉移基於錨點前序關係與區間重疊。
• 透過錨點重排與分數保留，證明在弱前序關係下的最佳鏈接與受限於錨點的 LCS 問題之間的等價性。

实验结果

研究问题

• RQ1 Shibuya 和 Kurochkin（2003）的重疊錨點鏈接演算法能否被修正並證明正確？
• RQ2 在嚴格前序關係與重疊錨點下，可證明正確的鏈接演算法的時間複雜度為何？
• RQ3 帶有重疊的鏈接公式化與傳統最長共同子序列（LCS）問題有何關聯？
• RQ4 能否證明最佳鏈接分數等於受限於錨點的 LCS 長度？
• RQ5 若放寬前序條件，是否仍能維持 k-mer 錨點或非重疊匹配時的 O(n log n) 時間複雜度？

主要发现

• 所提出的演算法在精確匹配時執行時間為 O(n log²n)，在錨點非重疊或放鬆前序關係時為 O(n log n)，相較於原演算法缺乏正確性證明的缺點，已有顯著改善。
• 透過對錨點重疊與前序關係的詳細案例分析，證明了演算法的正確性，彌補了 Shibuya 和 Kurochkin 原始工作的缺口。
• 鏈接公式化中的覆蓋分數正確地考慮了重疊區域，透過減去共享區段，防止對齊字元被重複計算。
• 在弱前序關係下的最佳鏈接，其分數恰好等於受限於錨點的 LCS 長度，從而確立了鏈接與 LCS 問題之間的正式連結。
• 對於 k-mer 匹配或非重疊錨點，演算法簡化為 O(n log n) 時間，與標準鏈接問題的最佳已知複雜度相符。
• 透過證明任何更長的受限於錨點的 LCS 均可重構為更高分數的鏈，從而與最佳性矛盾，從而確立與 LCS 的關聯。