[论文解读] The Shift-Match Number and String Matching Probabilities for Binary Sequences

Arman Bilge, Ayşe Erzan+1 more|ArXiv.org|Sep 21, 2004

Algorithms and Data Compression被引用 3

一句话总结

本文引入了“移位匹配数”这一新概念——一种二进制字符串的结构不变量，用于根据其在更长二进制序列中的子序列匹配概率对字符串进行分类。研究证明，匹配概率不仅取决于字符串长度，还取决于该移位匹配数，从而实现了出现概率的递归计算，并揭示了基因组序列网络模型中字符串度分布的谱结构。

ABSTRACT

We define the ``shift-match number'' for a binary string and we compute the probability of occurrence of a given string as a subsequence in longer strings in terms of its shift-match number. We thus prove that the string matching probabilities depend not only on the length of shorter strings, but also on the equivalence class of the shorter string determined by its shift-match number.

研究动机与目标

• 识别二进制字符串中决定其在更长序列中子序列匹配概率的结构不变量。
• 解决长度相等但内部结构不同的字符串在匹配概率上的差异问题。
• 建立一个递归框架，用于计算字符串作为子序列出现在更长二进制字符串中的概率。
• 将移位匹配数应用于计算基因组序列网络模型中的度分布，其中节点代表字符串，边代表子序列关系。

提出的方法

• 将移位匹配数 s(a) 定义为从字符串 a 的相邻位对之间比较得到的 n 位二进制数，利用狄拉克函数检测位变转换。
• 基于相同的移位匹配数建立二进制字符串上的等价关系 ≅，证明同一等价类中的字符串具有相同的子序列出现概率。
• 通过部分匹配的条件计数 N(a,L,m) 推导出 N(a,L)（即包含 a 作为子序列的长度为 L 的二进制字符串数量）关于 s(a) 和 L 的递归公式。
• 利用移位匹配数计算字符串网络中预期的度分布 d(s,L)，其中度表示包含给定字符串作为子序列的更长字符串的数量。
• 将该框架应用于计算基因组网络模型中的平均度和谱线强度，其简并度由具有相同移位匹配数的字符串数量决定。
• 通过数值和解析方法验证模型，结果与先前模拟一致，并揭示了度分布中的离散谱结构。

实验结果

研究问题

• RQ1 对于长度固定的二进制字符串，其子序列匹配概率如何因字符串内部结构不同而变化，尽管长度相同？
• RQ2 二进制字符串的何种结构特性决定了其在更长的随机二进制字符串中作为子序列出现的概率？
• RQ3 匹配概率的差异是否可由单一不变量完全解释？若是，其数学形式为何？
• RQ4 移位匹配数与基因组序列网络模型中度分布的关系如何，其中边表示子序列关系？
• RQ5 度分布中的谱线在多大程度上对应于不同的移位匹配数？其强度由什么决定？

主要发现

• 长度相同但内部结构不同的字符串表现出不同的子序列匹配概率，且这些差异可被其移位匹配数完全解释。
• 移位匹配数 s(a) 是一个由 a 的转换结构导出的 n 位二进制数，可将字符串划分为等价类，同一类中字符串的匹配概率相同。
• 当 L ≥ 7 时，等价类的数量趋于稳定，且概率 P(a,L) 仅依赖于 s(a)，与具体字符串 a 无关。
• 在网络模型中，字符串的期望度仅由其移位匹配数 s 决定，且随 s 的增加单调递减。
• 度分布被划分为对应于不同移位匹配数的离散谱线，谱线强度 ν(d(s)) 与具有相同 s 的字符串数量成正比。
• 基于 s(a) 和 L 的 N(a,L) 递归公式可精确计算匹配概率，解决了以往观察到的结构性依赖问题。