[论文解读] General approach to the fluctuations problem in random sequence comparison

Jüri Lember, Heinrich Matzinger+1 more|arXiv (Cornell University)|Nov 21, 2012

Algorithms and Data Compression参考文献 38被引用 4

一句话总结

本文提出了一种通用框架，用于分析独立同分布随机序列比对中最优对齐得分方差的问题，重点研究 i.i.d. 序列下的最长公共子序列（LCS）。通过大偏差和基于熵的技术，证明了 LCS 的方差被紧密地限定在 Θ(n) 范围内，证实了长期存在的 Waterman 猜想，并解决了序列匹配理论中的一个核心开放问题。

ABSTRACT

We present a general approach to the problem of determining the asymptotic order of the variance of the optimal score between two independent random sequences defined over an arbitrary finite alphabet. Our general approach is based on identifying random variables driving the fluctuations of the optimal score and conveniently choosing functions of them which exhibit certain monotonicity properties. We show how our general approach establishes a common theoretical background for the techniques used by Matzinger et al. in a series of previous articles [6, 8, 20, 24, 26, 37] studying the same problem in especial cases. Additionally, we explicitely apply our general approach to study the fluctuations of the optimal score between two random sequences over a finite alphabet (closing the study as initiated in [26]) and of the length of the longest common subsequences between two random sequences with a certain block structure (generalizing part of [37]).

研究动机与目标

• 解决长期存在的开放问题：确定 i.i.d. 随机序列中最长公共子序列（LCS）的渐近方差。
• 建立一种通用方法，用于分析任意评分方案下最优对齐得分的波动性。
• 证实 Waterman 猜想：LCS 的方差随序列长度 n 线性增长。
• 扩展先前结果，通过熵和大偏差技术，对 Θ(n) 方差界提供严格证明。

提出的方法

• 开发一种通用评分方案，结合成对得分与间隙惩罚，以建模最优对齐得分。
• 应用基于熵的组合技术与大偏差原理，分析最优对齐路径的结构。
• 使用改进的 Efron-Stein 不等式与集中不等式，控制 LCS 得分的方差。
• 引入耦合论证与条件概率界，比较不同对齐路径的可能性。
• 采用泰勒展开与对数近似，界定相邻对齐结果概率之比。
• 通过构造合适的耦合并利用约束条件下多项式系数的性质，建立方差的下界。

实验结果

研究问题

• RQ1 i.i.d. 随机序列中，最长公共子序列（LCS）的方差渐近阶数是多少？
• RQ2 LCS 的方差是否如 Waterman 所猜想的那样随序列长度线性增长？
• RQ3 能否开发一种通用框架，用于分析 LCS 之外的最优对齐得分波动性？
• RQ4 熵与大偏差原理如何帮助界定对齐得分的方差？
• RQ5 路径结构与对齐类型在决定最优得分方差中的作用是什么？

主要发现

• 证明了 i.i.d. Bernoulli(1/2) 序列中 LCS 的方差为 Θ(n)，证实了 Waterman 猜想。
• 论文建立了方差的上下界，表明 Var[L_n] ≤ Bn 且 Var[L_n] ≥ bn，其中 b 和 B 为与 n 无关的正常数。
• 分析确认 LCS 得分的波动量级为 √n，与该问题的中心极限定理一致。
• 该方法可成功推广至一般评分方案，为随机序列比对中的方差分析提供了稳健框架。
• 利用熵与大偏差技术，可精确控制罕见对齐路径的概率，从而实现紧密的方差界。
• 所得边界对所有对齐类型均一致，且不依赖于特定序列实现，确保了广泛适用性。