[论文解读] Variations on the Problem of Identifying Spectrum-Preserving String Sets

Sankardeep Chakraborty, Roberto Grossi+4 more|arXiv (Cornell University)|Feb 23, 2026

Genome Rearrangement Algorithms被引用 0

一句话总结

引入项链覆盖来扩展 SPSS 表示，超越简单路径，在某些情况下证明最小项链覆盖可优于标准 SPSS，并提供一个具有实际准确性的贪心线性时间算法。

ABSTRACT

In computational genomics, many analyses rely on efficient storage and traversal of $k$-mers, motivating compact representations such as spectrum-preserving string sets (SPSS), which store strings whose $k$-mer spectrum matches that of the input. Existing approaches, including Unitigs, Eulertigs and Matchtigs, model this task as a path cover problem on the deBruijn graph. We extend this framework from paths to branching structures by introducing necklace covers, which combine cycles and tree-like attachments (pendants). We present a greedy algorithm that constructs a necklace cover while guaranteeing, under certain conditions, optimality in the cumulative size of the final representation. Experiments on real genomic datasets indicate that the minimum necklace cover achieves smaller representations than Eulertigs and comparable compression to the Masked Superstrings approach, while maintaining exactness of the $k$-mer spectrum.

研究动机与目标

• 通过利用 de Bruijn 图中的循环和分支来激发紧凑的 k-mer 表示。
• 将 SPSS 从基于路径的覆盖推广为由循环及悬挂部分组成的项链覆盖。
• 开发一个线性时间的贪心算法以计算最小项链覆盖。
• 为项链覆盖提供正式的括号表示并分析存储成本。
• 在真实数据集上对项链覆盖与 Eulertigs 和 Masked Superstrings 进行实验比较。

提出的方法

• 将项链定义为入度至多为 1 的连通子图，表示带悬挂的基本循环或路径。
• 用平衡括号编码表示项链以衡量成本。
• 通过贪心地将路径与循环覆盖转化为项链覆盖，附着路径并闭合循环。
• 证明 greedy necklaceCover 算法在分离器无关模型下能够产生最小项链覆盖。
• 证明最小项链覆盖可以严格小于最小 SPSS，并在基于分离器的表示下比较成本。
• 将项链覆盖与现有 SPSS 方法通过 PC cover 输入联系起来，并讨论计算性质。

Figure 5 : Example where FindNewCycle must be executed on the paths to the right: the two paths corresponding to A T C A C and C A A T A can be transformed into a closed necklace with base cycle A T C A A and pendants C A C , A T A .

实验结果

研究问题

• RQ1 branching 结构（项链）是否能产生比传统基于路径的方法更小的精确 SPSS 表示？
• RQ2 以何种方式表示项链以最小化存储成本才为最优？
• RQ3 necklaceCover 算法是否产生最小项链覆盖，在哪些条件下？
• RQ4 在真实数据上，基于项链的表示与 Eulertigs 与 Masked Superstrings 的实践比较如何？
• RQ5 项链基础的成本是否可以严格小于 SPSS 成本，究竟能小多少？

主要发现

• 贪心线性时间算法 necklaceCover 给出初始 PC 覆盖时的最小项链覆盖。
• 最小项链覆盖的大小始终不大于最小 SPSS 的大小，因为路径是项链的特殊情况。
• 存在一族无穷输入使得项链覆盖表示严格优于 Eulertigs，括号表示仅需要最小 SPSS 符号的 4/(k+1) 的分数。
• 实验表明 Masked Superstrings 在小 k 时提供最小的空间，而所提出的基于项链的方法具竞争力，在较大 k 时达到最小空间，同时保持精确的 k-mer 谱。
• 基于项链的表示利用圆性与悬挂树来实现有利的空间–成本权衡，而不像某些遮蔽超字符串方法那样引入假阳性。

Figure 6 : Consider the input string set $I=\{X=$ ACTAGATCCGTTGGCAACTA, ACTAC, CTAGG, TAGAC, AGATA, GATCT, ATCCC, TCCGG, CCGTA, CGTTA, GTTGT, TTGGA, TGGCG, GGCAT, GCAAA, CAACG, AACTT $\}$ . This input set of strings follows the construction of Section 3.3 , for $k=4$ and $n=|\Sigma|^{k-2}=4^{2}=16$