CC BY
113
№ 2 (34), 2015
Физико-математические науки. Математика
УДК 621.317.7
Б. Ф. Мельников, С. В. Пивнева, М. А. Трифонов ОЦЕНКА АЛГОРИТМОВ РАСЧЕТА РАССТОЯНИЯ СТРОК ДНК
Аннотация.
Актуальность и цели. Часто требуется измерить различие или расстояние между двумя строками (например, в эволюционных, структуральных или функциональных исследованиях биологических строк). Так как строковые последовательности митохондриальных ДНК приблизительно составляют 17 000 символов {a, g, c, t}, то для решения поставленной задачи были выбраны алгоритмы нечеткого сравнения, рассчитывающие расстояние за полиноминальное время. В рамках исследования при расчете метрик различными ранее известными алгоритмами неточного сравнения строк были получены различные результаты. Цель исследования: разработка методов качественной оценки полученных результатов. Разработка качественных оценок позволит сделать выбор более приемлемого алгоритма, что улучшит исследования в различных предметных областях.
Материалы и методы. В качестве метода исследования применятся теория треугольной нормы в метрическом пространстве.
Результаты. Исходные данные были получены из банка данных NCBI и случайным образом выбраны 30 строковых последовательностей митохондриальных ДНК. В результате работы алгоритмов сравнения 30 строковых последовательностей приведены качественные оценки.
Выводы. По полученным качественным оценкам метрик был определен наилучший алгоритм сравнения строковых последовательностей.
Ключевые слова: метрическая оценка, алгоритмы, мультиэвристический подход.
B. F. Mel'nikov, S. V. Pivneva, M. A. Trifonov
ESTIMATION OF ALGORITHMS FOR CALCULATION OF DISTANCE BETWEEN DNA LINES
Abstract.
Background. Often it is required to measure distinction or distance between two lines (for example, in evolutionary, structural or functional researches of biological lines). As line sequences of mitochondrial DNA approximately make 17 000 symbols {a, g, c, t}, in order to solve the set problem the authors chose objective algorithms of indistinct comparison that calculate the distance in polynomial time. In the research, when calculating the metrics of the known algorithms of inexact comparison of lines, there were received various results. The work purpose is to develop the methods of qualitative assessment of the received results. Development of qualitative assessment will allow to choose the most acceptable algorithm that will improve researches in various subject areas.
Materials and methods. The theory of triangular norm in metric space was used as a method of research.
Results. The initial data were obtained from the NCBI databank, and 30 line sequences of mitochondrial DNA were randomly chosen. As a result of perfomance of algorithms of comparison of 30 line sequences the authors adduced qualitative estimates.
Physical and mathematical sciences. Mathematics
57
Известия высших учебных заведений. Поволжский регион
Conclusions. Using the obtained qualitative estimates of metrics the best algorithm of comparison of line sequences has been determined.
Key words: metric evaluation, algorithms, multiheuristic approach.
Введение
Часто требуется измерить различие или расстояние между двумя строками (например, в эволюционных, структуральных или функциональных исследованиях биологических строк) [1]. Строки генетических последовательностей являются длинными строками, состоящими из символов {a, c, g, t} и могут достигать десятки миллионов символов. В таких случаях время получения точного сравнения строк может оказаться слишком большим, поэтому для сравнения используют алгоритмы неточного поиска ([2, 3] и др.).
Все известные алгоритмы неточного сравнения строк дают различные результаты, в этой связи необходимо давать оценку полученных результатов.
Для тестирования алгоритмов были использованы митохондриальные ДНК различных организмов. Эти молекулы ДНК, содержащиеся в митохондриях клетки, не подвержены рекомбинации и наследуются по материнской линии у большинства многоклеточных организмов, поэтому их изменение может происходить только за счет мутации. Была использована генетическая информация следующих организмов [4]: 1) Bison bison (бизон); 2) Bos taurus (дикий бык); 3) Canis ^ш^олк); 4) Drosophila simulans (дрозофила); 5) Felis catus (кошка); 6) Gadus morhua (атлантическая треска); 7) Gallus gallus (курица); 8) His1 virus complete genome (вирус H1); 9) Homo sapiens (человек разумный); 10) Mus musculus (домовая мышь); 11) Orcaella brevirostris (ирава-дийский дельфин); 12) Orcinus orca (косатка); 13) Pan troglodytes (обыкновенный шимпанзе); 14) Peponocephala electra (широкомордый дельфин); 15) Rattus norvegicus (серая крыса); 16) Sus scrofa taiwanensis (кабан); 17) Rhincodon (китовая акула); 18) Equus caballus (домашняя лошадь); 19) Gorilla gorilla (западная горилла); 20) Danio rerio (данио-рерио); 21) Anopheles gambiae (комар); 22) Chrysemys picta bellii (расписная черепаха); 23) Apalone spinifera (чешуеспинная лебеда); 24) Tursiops truncatus (афалина); 25) Pantholops hodgsonii (Оронго); 26) Alligator sinensis (китайский аллигатор); 27) Octodon degus (де-гу); 28) Trichechus manatus (американский ламантин); 29) Esox lucius (щука); 30) Echinops telfairi (малая тенрека).
На рис. 1-5 представлена метрическая оценка в процентах тестируемых алгоритмов в виде матрицы. Нами рассматривались следующие алгоритмы: мультиэвристический алгоритм, алгоритм Джаро - Винклера, расстояние Дамерау - Левенштейна и расстояние Дамерау - Левенштейна с использованием оценочной матрицы. Далее приведены краткие описания этих алгоритмов.
1. Применение мультиэвристического подхода
Мультиэвристический подход ([5-7] и др.) - новый подход к решению задач дискретной оптимизации, который заключается в сочетании незавершенного метода ветвей и границ с комбинацией различных эвристик, на результатах работы которых основывается выбор очередного шага. Оценки, полученные эвристиками, усредняются с помощью динамических функций рис-
58
University proceedings. Volga region
№ 2 (34), 2015
Физико-математические науки. Математика
ка. Для подбора коэффициентов усреднения применяются генетические алгоритмы, упрощенное самообучение которыми применяется также и для старта незавершенного метода ветвей и границ. Была использована эвристика выборов траектории, для которой выражение (i'-i) + (j'-j) принимает минимальное либо близкое к минимальному значение. Например, сначала рассматриваем все траектории со сдвигом только одной из строк на один символ; затем - со сдвигом одной из строк на два символа или обеих на один символ и т.д.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 IS 19 20 21 22 23 24 25 26 27 28 29 30
1 100 89 71 40 74 59 58 37 69 68 73 72 67 73 68 72 62 72 67 59 41 6i 62 73 81 56 67 67 59 66
2 89 100 74 40 71 61 56 36 66 70 76 75 70 76 70 68 64 75 69 56 41 64 65 76 85 59 70 70 62 68
3 71 74 100 39 71 60 54 36 64 68 71 71 68 71 68 64 63 75 67 53 40 63 64 71 73 58 70 70 60 68
4 40 40 39 100 44 42 41 39 41 45 44 44 42 44 44 44 45 43 42 43 74 45 45 44 44 41 45 43 41 45
5 74 71 71 44 100 56 59 36 67 64 67 67 64 68 65 71 59 69 63 58 39 58 59 68 69 53 64 64 56 62
6 59 61 60 42 56 100 53 35 56 60 60 60 59 61 60 53 66 61 59 59 38 62 62 61 61 57 60 60 68 60
7 58 56 54 41 59 53 100 34 58 54 54 54 54 54 54 59 55 54 54 58 38 57 57 54 54 53 53 53 54 52
8 37 36 36 39 36 35 34 100 41 43 42 42 41 42 42 43 43 42 41 42 42 42 42 42 42 40 42 42 40 42
9 69 66 64 41 67 56 58 41 100 63 65 65 84 65 64 66 58 66 82 57 38 58 59 65 66 55 63 63 57 61
10 68 70 68 45 64 60 54 43 63 100 69 69 68 70 80 63 64 70 67 56 42 64 65 70 70 58 69 68 6i 67
11 73 76 71 44 67 60 54 42 65 69 100 93 69 94 69 67 64 74 69 55 41 64 64 93 76 58 69 69 62 67
12 72 75 71 44 67 60 54 42 65 69 93 100 69 93 69 66 64 74 69 55 41 63 64 93 76 58 68 69 61 67
13 67 70 68 42 64 59 54 41 84 68 69 69 100 69 68 61 62 70 87 53 39 62 63 68 69 58 68 68 60 65
14 73 76 71 44 68 61 54 42 65 70 94 93 69 100 69 67 64 74 69 55 41 64 64 93 76 59 69 69 61 67
15 68 70 68 44 65 60 54 42 64 80 69 69 68 69 100 63 64 71 68 55 41 64 65 69 71 59 70 68 61 67
15 72 68 64 44 71 53 59 43 66 63 67 66 61 67 63 100 56 66 61 62 41 56 57 66 67 51 61 61 53 59
17 62 64 63 45 59 66 55 43 58 64 64 64 62 64 64 56 100 63 60 58 41 64 65 62 63 58 63 62 65 61
18 72 75 75 43 69 61 54 42 66 70 74 74 70 74 71 66 63 100 69 54 39 64 64 73 75 58 70 72 61 68
19 67 69 67 42 63 59 54 41 82 67 69 69 87 69 68 61 60 69 100 54 39 62 63 69 70 58 68 68 60 65
20 59 56 53 43 58 59 58 42 57 56 55 55 53 55 55 62 58 54 54 100 40 56 56 55 55 51 53 53 59 54
21 41 41 40 74 39 38 38 42 38 42 41 41 39 41 41 41 41 39 39 40 100 44 44 43 43 40 44 42 40 44
22 61 64 63 45 58 62 57 42 58 64 64 63 62 64 64 56 64 64 62 56 44 100 73 61 62 60 62 61 61 61
23 62 65 64 45 59 62 57 42 59 65 64 64 63 64 65 57 65 64 63 56 44 73 100 62 63 60 63 62 61 61
24 73 76 71 44 68 61 54 42 65 70 93 93 68 93 69 66 62 73 69 55 43 61 62 100 76 58 69 69 61 67
25 81 85 73 44 69 61 54 42 66 70 76 76 69 76 71 67 63 75 70 55 43 62 63 76 100 58 70 70 61 68
25 56 59 58 41 53 57 53 40 55 58 58 58 58 59 59 51 58 58 58 51 40 60 60 58 58 100 57 58 58 56
27 67 70 70 45 64 60 53 42 63 69 69 68 68 69 70 61 63 70 68 53 44 62 63 69 70 57 100 69 60 67
28 67 70 70 43 64 60 53 42 63 68 69 69 68 69 68 61 62 72 68 53 42 61 62 69 70 58 69 100 59 68
29 59 62 60 41 56 68 54 40 57 6i 62 6i 60 6i 6i 53 65 6i 60 59 40 61 6i 6i 6i 58 60 59 100 60
30 66 68 68 45 62 60 52 42 6i 67 67 67 65 67 67 59 61 68 65 54 44 61 6i 67 68 56 67 68 60 100
Рис. 1. Метрическая оценка мультиэвристического алгоритма
1 5 6 ' 7 9 1 io| 111 12| 13| 20 ' 21 22' 23 ' 24 251 26 27' 28' 29' 30
1 100 88 86 81 87 84 85 80 84 86 87 87 85 87 87 87 86 86 85 88 80 87 86 87 88 83 86 85 84 85
2 881 100 91 78 88 86 83 84 86 91 91 92 90 91 91 87 87 90 89 86 78 91 90 91 91 83 90 90 86 90
3 86 91l 100 79 88 87 83 84 85 91 92 90 89 92 92 85 88 91 89 86 78 91 90 92 92 84 92 91 86 92
4 81 78 79 100 78 76 82 77 75 80 79 78 76 79 79 79 81 77 75 80 93 79 79 79 79 74 80 76 75 80
5 87 88 88 781 100 86 83 82 86 87 88 88 86 88 88 86 87 87 86 86 78 88 87 88 88 84 87 87 87 86
6 84 86 87 76 861 100 82 84 84 85 86 86 84 86 85 83 91 85 84 85 76 85 84 86 85 83 86 86 89 86
7 85 83 83 82 83 82 100 78 87 82 83 84 86 83 83 83 82 85 87 84 82 83 83 83 83 86 82 85 83 82
8 80 84 84 77 82 84 781 100 81 84 84 84 83 84 84 80 81 84 83 82 76 84 83 84 84 80 83 84 83 84
9 84 86 85 75 86 84 87 81 100 84 86 86 89 86 86 84 85 87 89 83 75 86 86 86 86 87 85 87 86 84
10 86 91 91 80 87 85 82 84 84 100 92 90 88 92 92 86 88 91 88 86 80 92 91 92 92 82 92 90 85 91
11 87 91 92 79 88 86 83 84 86 92 100 91 89 93 92 86 88 91 89 86 79 92 91 93 92 83 92 91 86 91
12 87 92 90 78 88 86 84 84 86 90 91 100 90 92 91 86 87 91 90 85 78 91 90 91 91 84 90 90 86 89
13 85 90 89 76 86 84 86 83 89 88 89 90 100 89 89 85 85 90 94 83 75 89 89 89 90 86 89 91 86 88
14 87 91 92 79 88 86 83 84 86 92 93 92 891 100 92 87 87 92 89 85 78 92 91 93 92 83 92 91 86 91
15 87 91 92 79 88 85 83 84 86 92 92 91 89 92 100 87 88 91 89 85 79 92 92 92 93 83 92 91 85 91
16 87 87 85 79 86 83 83 80 84 86 86 86 85 87 87 100 86 86 84 84 78 87 87 86 87 88 86 84 83 84
17 86 87 88 81 87 91 82 81 85 88 88 87 85 87 88 86 100 86 85 85 80 87 86 88 88 82 89 86 86 87
18 86 90 91 77 87 85 85 84 87 91 91 91 90 92 91 86 86 100 90 85 76 92 91 92 92 85 91 92 86 90
19 85 89 89 75 86 84 87 83 89 88 89 90 94 89 89 84 85 901 100 83 75 89 89 89 89 87 88 90 86 88
20 88 86 86 80 86 85 84 82 83 86 86 85 83 85 85 84 85 85 83 100 80 85 83 86 85 83 85 85 85 85
21 80 78 78 93 78 76 82 76 75 80 79 78 75 78 79 78 80 76 75 80 100 79 79 78 78 74 80 76 75 80
22 87 91 91 79 88 85 83 84 86 92 92 91 89 92 92 87 87 92 89 85 791 100 92 92 92 83 92 91 85 90
23 86 90 90 79 87 84 83 83 86 91 91 90 89 91 92 87 86 91 89 83 79 921 100 91 92 83 91 91 85 90
24 87 91 92 79 88 86 83 84 86 92 93 91 89 93 92 86 88 92 89 86 78 92 91 100 92 83 92 91 86 91
25 88 91 92 79 88 85 83 84 86 92 92 91 90 92 93 87 88 92 89 85 78 92 92 921 100 83 92 91 86 91
26 83 83 84 74 84 83 86 80 87 82 83 84 86 83 83 88 82 85 87 83 74 83 83 83 83| 100 82 86 85 82
27 86 90 92 80 87 86 82 83 85 92 92 90 89 92 92 86 89 91 88 85 80 92 91 92 92 821 100 91 85 92
28 85 90 91 76 87 86 85 84 87 90 91 90 91 91 91 84 86 92 90 85 76 91 91 91 91 86 91l 100 88 90
29 84 86 86 75 87 89 83 83 86 85 86 86 86 86 85 83 86 86 86 85 75 85 85 86 86 85 85 881 100 85
30 85 90 92 80 86 86 82 84 84 91 91 89 88 91 91 84 87 90 88 85 80 90 90 91 91 82 92 90 85| 100|
Рис. 2. Метрическая оценка алгоритма Джаро - Винклера
Physical and mathematical sciences. Mathematics
59
Известия высших учебных заведений. Поволжский регион
1 2 3 4 5 6 7 8 9 10 И 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
1 100 85 60 32 63 47 47 32 57 57 62 61 55 62 57 62 50 61 56 48 31 49 51 63 71 44 56 56 47 55
2 85 100 62 32 60 49 45 32 55 59 64 64 58 64 59 59 52 64 57 45 31 51 52 65 75 46 58 58 49 56
3 60 62 100 33 6i 48 43 33 52 58 60 59 56 60 58 55 51 64 55 44 32 50 51 60 62 45 58 58 48 57
4 32 32 33 100 32 31 28 29 29 34 32 32 29 32 32 32 34 31 29 32 66 33 33 33 32 28 34 31 30 34
5 63 60 61 32 100 45 48 34 56 55 59 58 54 59 56 61 48 60 54 48 32 48 49 59 60 43 54 54 46 53
6 47 49 48 31 45 100 41 32 43 48 49 48 45 49 47 42 53 47 46 49 30 48 48 49 48 43 47 47 56 48
7 47 45 43 28 48 41 100 31 48 45 45 45 45 44 45 48 44 44 45 45 28 47 47 45 45 43 42 43 43 41
8 32 32 33 29 34 32 31 100 31 32 32 32 31 32 32 33 34 32 30 33 30 33 32 32 32 31 33 32 31 33
9 57 55 52 29 56 43 48 31 100 52 54 54 77 54 54 54 46 55 75 45 28 47 48 54 54 44 52 52 45 49
10 57 59 58 34 55 48 45 32 52 100 58 57 55 59 70 53 53 58 55 46 33 52 52 58 59 45 58 57 48 56
ii 62 64 60 32 59 49 45 32 54 58 100 86 56 88 58 57 52 63 56 45 32 51 52 88 65 46 58 58 49 56
12 61 64 59 32 58 48 45 32 54 57 100 56 87 58 56 52 62 56 44 31 51 52 87 65 46 56 57 48 55
13 55 58 56 29 54 45 45 31 77 55 56 56 100 57 57 51 49 58 80 42 28 49 50 57 58 46 55 56 47 52
14 62 64 60 32 59 49 44 32 54 59 88 87 57 100 59 57 52 63 57 45 31 51 52 87 65 46 58 58 49 55
15 57 59 58 32 56 47 45 32 54 70 58 58 57 59 100 54 52 59 56 45 32 52 53 59 60 46 58 57 48 56
16 62 59 55 32 61 42 48 33 54 53 57 56 51 57 54 100 46 58 51 50 31 46 47 57 58 41 52 52 43 50
17 50 52 51 34 48 53 44 34 46 53 52 52 49 52 52 46 100 51 49 48 33 52 53 52 52 45 52 50 53 51
18 61 64 64 31 60 47 44 32 55 58 63 62 58 63 59 58 51 100 58 43 30 52 52 62 64 46 58 61 49 56
19 56 57 55 29 54 46 45 30 75 55 56 56 80 57 56 51 49 58 100 43 28 50 50 57 57 46 55 55 47 52
20 48 45 44 32 48 49 45 33 45 46 45 44 42 45 45 50 48 43 43 100 31 45 45 45 44 40 43 42 48 43
21 31 31 32 66 32 30 28 30 28 33 32 31 28 31 32 31 33 30 28 31 100 32 32 32 31 27 33 30 29 33
22 49 51 50 33 48 48 47 33 47 52 51 51 49 51 52 46 52 52 50 45 32 100 62 51 52 48 50 49 50 50
23 51 52 51 33 49 48 47 32 48 52 52 52 50 52 53 47 53 52 50 45 32 62 100 52 53 47 51 50 49 49
24 63 65 60 33 59 49 45 32 54 58 88 87 57 87 59 57 52 62 57 45 32 51 52 100 66 46 58 58 49 56
25 71 75 62 32 60 48 45 32 54 59 65 65 58 65 60 58 52 64 57 44 31 52 53 66 100 46 59 58 49 56
26 44 46 45 28 43 43 43 31 44 45 46 46 46 46 46 41 45 46 46 40 27 48 47 46 46 100 44 45 45 44
27 56 58 58 34 54 47 42 33 52 58 58 56 55 58 58 52 52 58 55 43 33 50 51 58 59 44 100 57 47 56
28 56 58 58 31 54 47 43 32 52 57 58 57 56 58 57 52 50 61 55 42 30 49 50 58 58 45 57 100 47 57
29 47 49 48 30 46 56 43 31 45 48 49 48 47 49 48 43 53 49 47 48 29 50 49 49 49 45 47 47 100 47
30 55 56 57 34 53 48 41 33 49 56 56 55 52 55 56 50 51 56 52 43 33 50 49 56 56 44 56 57 47 100
Рис. 3. Метрическая оценка алгоритма «Расстояние Дамерау - Левенштейна»
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
1 100 90 76 53 78 67 67 52 74 73 76 76 72 77 73 77 70 76 72 68 54 69 70 77 82 66 73 73 67 72
2 90 100 77 53 76 68 66 52 72 74 78 77 74 78 74 74 71 78 73 66 54 70 71 78 84 67 74 75 68 73
3 76 77 100 53 76 67 64 51 70 72 74 74 72 74 72 71 70 77 71 64 53 69 69 74 76 65 74 74 67 73
4 52 52 53 100 59 58 56 54 56 59 59 58 56 58 58 58 60 58 56 58 80 59 59 59 58 56 60 58 57 60
5 85 83 85 59 100 65 67 51 71 70 72 72 70 72 71 74 67 74 69 66 52 67 67 72 73 64 71 71 65 69
6 64 66 66 51 65 100 63 51 64 66 67 67 65 67 66 63 71 67 65 68 52 68 67 67 67 65 67 67 72 67
7 66 65 65 50 68 63 100 50 67 64 64 64 65 64 64 67 65 65 65 65 50 67 67 64 65 64 64 65 64 63
8 51 50 51 48 52 51 50 100 58 59 59 58 58 58 58 59 60 59 57 59 57 59 59 59 59 58 59 59 58 59
9 83 81 80 58 84 74 77 58 100 69 71 71 86 71 70 71 67 72 84 66 51 67 68 71 71 65 70 71 66 68
10 72 73 73 53 72 67 65 51 69 100 74 74 72 74 81 71 71 74 72 66 55 71 71 74 75 66 74 74 68 73
11 76 78 76 54 75 69 66 52 72 74 100 91 73 92 74 73 71 77 73 66 54 70 70 92 78 67 74 74 68 72
12 76 77 75 53 75 68 66 52 71 73 91 100 73 92 73 73 70 77 73 65 54 70 70 92 78 67 73 74 68 72
13 72 74 73 52 72 67 66 51 87 72 73 73 100 73 72 69 69 74 87 64 52 69 69 73 73 66 72 73 67 70
14 75 77 75 53 74 68 65 51 71 73 91 91 73 100 74 74 71 77 73 66 54 70 71 92 78 67 74 74 68 72
15 73 74 74 53 73 67 66 51 71 81 74 73 73 74 100 71 71 75 72 66 54 71 71 74 75 67 75 74 68 73
16 77 74 73 53 78 65 69 52 72 71 74 73 70 74 71 100 67 74 69 69 54 66 67 73 74 63 70 70 64 69
17 69 70 71 55 69 72 66 53 67 70 70 70 69 70 70 67 100 69 67 67 54 70 70 69 69 66 70 69 70 68
18 74 76 76 51 75 66 64 50 71 72 75 74 73 75 73 72 69 100 73 64 52 70 70 76 77 66 74 76 68 72
19 71 72 71 50 71 65 65 50 83 70 71 71 86 72 71 68 67 73 100 64 52 69 69 73 74 66 72 73 67 70
20 67 66 66 53 69 69 67 53 66 66 66 66 64 66 66 69 69 65 64 100 53 66 65 65 65 63 64 64 68 64
21 53 53 54 72 54 52 51 49 51 54 53 53 52 53 53 53 55 53 51 53 100 58 58 58 58 55 59 57 56 59
22 73 75 75 58 74 74 73 56 72 75 75 75 74 75 75 71 77 76 74 71 58 100 76 68 69 67 69 68 68 68
23 67 68 69 52 68 67 66 50 66 68 68 68 68 68 69 65 70 69 67 64 53 76 100 69 70 67 69 69 68 68
24 75 76 74 52 74 67 64 51 70 72 90 90 72 90 72 72 69 75 71 64 53 68 69 100 79 67 74 74 68 72
25 82 84 77 53 76 68 66 52 72 74 78 78 74 78 75 74 71 78 73 66 54 71 71 79 100 66 75 75 68 73
26 65 66 66 50 66 65 65 51 65 65 66 66 67 66 66 63 67 67 66 63 51 68 68 66 66 100 65 66 66 64
27 71 73 74 54 72 67 64 51 69 73 72 72 72 73 73 69 70 74 71 64 54 69 69 73 73 65 100 73 67 72
28 71 73 74 51 72 67 64 51 70 71 72 72 72 72 72 69 69 75 71 63 52 68 69 72 73 66 73 100 67 72
29 65 66 67 50 66 71 64 50 65 65 66 66 66 66 66 63 70 67 65 67 51 68 67 66 67 65 66 67 100 67
30 70 72 73 53 70 67 63 51 68 71 71 71 69 71 71 68 69 72 69 64 54 68 68 71 72 64 72 73 67 100
Рис. 4. Метрическая оценка алгоритма «Расстояние Дамерау - Левенштейна с использованием оценочной матрицы»
1. Сдвигаем ту строку, текущий символ которой реже встречается в другой строке. Для этой эвристики желательно знать вероятности появления символов в каждой из строк. Если они заранее не известны, можно считать их равными. В процессе работы можно корректировать вероятности или использовать алгоритм старения, чтобы вероятность символа определялась по некоторому фрагменту перед текущим символом, а не по целой строке. Если
60
University proceedings. Volga region
№ 2 (34), 2015
Физико-математические науки. Математика
вероятности для текущих символов окажутся равными, сдвигается строка, в которой осталось больше символов.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
1 100 90 72 34 75 61 63 36 72 68 73 73 70 74 69 74 63 74 70 6i 35 63 63 74 81 60 68 70 63 67
2 90 100 74 34 73 63 61 36 70 70 75 75 72 76 71 71 64 77 71 58 34 65 65 76 84 62 70 72 64 68
3 72 74 100 33 73 61 59 35 67 68 71 71 70 71 69 67 63 76 69 56 34 63 64 71 73 61 69 73 63 68
4 33 33 33 100 43 43 42 40 42 44 44 44 43 44 43 43 44 43 43 43 76 44 44 44 44 42 44 43 43 44
5 97 94 96 43 100 58 63 35 69 64 68 68 66 68 66 71 59 71 66 59 33 60 60 68 70 57 65 68 60 63
6 58 60 60 32 58 100 59 35 59 60 61 61 61 61 60 56 66 62 61 62 33 62 62 61 61 60 60 62 70 60
7 61 59 58 32 64 59 100 33 61 55 55 56 58 56 56 59 56 57 58 57 31 59 59 56 56 57 54 56 57 53
8 33 33 33 28 33 33 33 100 43 42 43 43 43 43 43 43 43 43 43 43 37 43 43 43 43 43 43 43 43 42
9 86 83 82 39 87 73 80 43 100 62 65 65 85 65 64 66 58 67 83 57 32 59 60 65 66 59 63 65 60 61
10 63 65 64 32 63 57 56 33 62 100 71 71 71 71 81 66 65 72 70 59 36 65 66 71 72 62 70 71 64 68
11 75 77 74 35 73 64 62 37 71 71 100 92 71 93 70 69 64 76 71 58 35 65 65 92 76 62 69 72 64 67
12 73 75 72 34 71 63 61 36 70 69 92 100 71 91 69 69 63 75 71 57 34 64 64 91 75 62 68 71 64 67
13 69 71 71 33 69 63 63 36 90 68 70 71 100 68 67 62 61 70 87 54 32 62 63 67 69 61 66 69 62 63
14 69 71 68 32 67 59 57 34 66 65 87 87 68 100 70 69 64 76 71 58 34 64 65 92 76 62 69 72 64 67
15 69 70 70 33 68 62 61 35 68 78 69 70 71 70 100 66 64 73 70 58 35 65 66 70 72 62 70 71 64 67
16 74 71 69 34 75 58 65 36 70 65 69 70 66 70 66 100 58 70 65 63 34 59 60 69 70 57 64 66 58 62
17 62 64 64 34 62 67 61 36 62 63 63 64 64 64 64 58 100 65 63 61 35 65 66 63 64 62 64 65 68 62
18 73 76 77 33 74 63 62 36 71 70 75 75 74 75 72 70 65 100 71 55 33 64 64 72 74 61 69 73 63 67
19 67 68 67 31 66 60 61 34 85 66 68 68 88 68 67 63 61 71 100 55 32 62 62 68 69 61 66 68 62 64
20 58 56 54 32 59 61 60 34 58 55 55 55 55 55 55 60 59 55 55 100 34 59 59 58 58 56 56 57 65 56
21 35 34 35 58 34 34 34 31 34 35 34 34 34 35 34 34 35 34 34 34 100 44 44 43 43 42 44 43 43 44
22 79 81 82 43 79 81 81 45 80 80 81 82 83 82 82 75 83 84 82 75 44 100 73 63 63 63 62 64 65 61
23 61 63 63 33 61 62 63 35 62 62 63 63 64 63 64 58 64 65 64 57 34 73 100 63 64 64 63 64 64 61
24 71 74 70 33 69 61 59 35 67 67 89 89 69 90 68 68 62 73 69 56 33 63 63 100 77 62 69 72 64 67
25 81 84 75 34 73 63 62 36 70 70 76 76 73 76 71 71 65 77 72 58 34 65 66 77 100 62 70 72 64 68
26 59 61 61 32 59 61 62 36 62 59 61 62 64 62 61 56 62 64 63 56 33 64 65 61 62 100 57 59 60 55
27 62 64 65 31 62 57 55 33 62 63 64 63 65 64 64 59 59 67 64 51 32 59 60 64 65 57 100 71 63 67
28 69 71 73 33 70 63 61 36 69 69 71 71 72 71 70 66 65 76 71 57 34 65 65 71 72 63 71 100 62 67
29 59 61 60 31 59 68 59 34 60 59 61 61 62 61 60 56 65 62 61 61 32 63 62 61 61 61 60 62 100 59
30 63 65 66 32 63 59 55 34 61 63 64 64 64 64 64 59 59 67 64 53 33 60 59 64 65 57 65 68 59 100
Рис. 5. Метрическая оценка алгоритма Смита - Ватермана с использованием оценочной матрицы BLOSUM50
2. Комбинация двух предыдущих: результирующая оценка позиции складывается из ее оценок первой и второй эвристиками. Для определения оценки второй эвристики суммируются вероятности появления в другой строке для всех символов, которые придется пропустить при сдвиге.
3. Используем алгоритм для поиска наибольшей общей подпоследовательности строк x[i..i+k] и yj..j+к], где к ~ 15. Для сдвига выбираем такие индексы i', j', в которых заканчивается наибольшая общая подпоследовательность. Если не будет найдено ни одной пары одинаковых символов, область поиска увеличивается. При использовании этой эвристики результат будет близок к значению наибольшей общей подпоследовательности.
5. Комбинация третьей и четвертой эвристик: оценка позиции складывается из ее оценок обеими эвристиками. Оценка позиции (i', j') четвертой эвристикой является отношением длины наибольшей общей подпоследовательности строк x[i..ir] и y[j..jr] к средней длине сдвига строк из позиции (i, j) в позицию (i', j').
6. Используем алгоритм Нидлмана - Вунша [8] для строк x[i..i+k] и yj..j+к], где к ~ 15. Сдвигаем строки в позицию (i', j'), для которой соответствующее значение в таблице алгоритма Нидлмана - Вунша является наибольшим.
7. Комбинация третьей и шестой эвристик: оценка позиции складывается из ее оценок обеими эвристиками. Оценка позиции (i', jr) шестой эвристикой является отношением значения в таблице алгоритма Нидлмана -Вунша, соответствующего этой позиции, к средней длине сдвига строк из позиции (i, j) в позицию (i', jr).
Physical and mathematical sciences. Mathematics
61
Известия высших учебных заведений. Поволжский регион
2. Сравнение работы алгоритмов
Алгоритм Джаро - Винклера (Jaro - Winkler similarity) [9]. Для данных строк № 1 и 2 их сходство задается формулой
S = (т /3) • a + (m /3) • b + (m -1)/3• m ,
здесь m - число соответствующих символов; a - длина строки № 1; b - длина строки № 2; t - число перестановок.
Два символа считаются соответствующими, только если они находятся не дальше чем (max(a,b)/2 - 1). Первый соответствующий символ в строке № 1 сравнивается с первым соответствующим символом в строке № 2; второй соответствующий символ в строке № 1 сравнивается со вторым соответствующим символом в строке № 2 и т.д. Число соответствующих символов, деленное на 2, дает число перестановок.
Расстояние Дамерау - Левенштейна [1]. Некоторым обобщением функции Левенштейна является возможность использования произвольной весовой стоимости, приписываемой каждой строковой операции, в том числе и совпадению.
Цены операций могут зависеть от вида операции (вставка, удаление, замена) и/или от участвующих в ней символов, отражая разную вероятность мутаций в биологии, разную вероятность разных ошибок при вводе текста и т.д. В общем случае:
w(a, b) - цена замены символа а на символ b;
w(s, b) - цена вставки символа b;
w(a, s) - цена удаления символа a.
При произвольных весах операций задача об операционно-взвешенном расстоянии называется задачей о поиске редакционного предписания, которое переводит строку S1 в строку S2 с минимальным полным весом операций. На рис. 3 представлена метрическая оценка Дамерау - Левенштейна с произвольными весовыми операциями. На рис. 4 представлена метрическая оценка с оценочной матрицей phred score [10]. На рис. 5 представлена метрическая оценка с оценочной матрицей BLOSUM50 [11].
Проверялось выполнение условия неравенства треугольника относительно элементов матрицы. Приведенные исследования показывают, что критерии оценки неравенства треугольника сводят труднорешаемую задачу к более простой «метрической» задаче, что существенно упрощает оценку результатов. В связи с этим для количественной оценки авторами было предложено усиленное условие неравенства треугольников. Условие равнобедренности треугольника ультраметрического пространства удовлетворяет усиленному неравенству треугольника.
3. Ультраметрическое пространство в оценке алгоритмов подсчета метрик ДНК
Ультраметрическое пространство - это пара (M, d), где M - множество, а d: M х M —— R - вещественнозначная функция на нем, также называемая метрикой, удовлетворяющая следующим условиям:
1) d(x, y) > 0, d(x, y) = 0; x ^ y (положительная определенность);
2) d (x, y) = d (y, x) (симметричность);
3) d(x, z) < max(d(x,y), d(y,z)) (усиленное неравенство треугольника).
62
University proceedings. Volga region
№ 2 (34), 2015
Физико-математические науки. Математика
Ультраметрическое пространство отличается от метрического тем, что неравенство треугольника заменено на усиленное неравенство треугольника.
Для перехода от метрического пространства в ультраметрическое пространство в оценке алгоритмов подсчета метрик ДНК необходимо сделать важное допущение: если сопоставить человека, скажем, с кошкой или волком, к которым мы гораздо ближе, чем к дрозофилам, то окажется, что и по ДНК человек более схож с ними. Если отправиться по ветви млекопитающих дальше, к приматам, то по мере приближения к человеку родственные черты с человекообразными (орангутангом, гориллой и шимпанзе) становятся очевидными. Больше всего человек походит на шимпанзе. Если сопоставить ДНК, окажется, что они очень близки. Поэтому наше допущение основывается на предположении о равенстве значений метрик схожих организмов, например, Homo sapiens (Человек разумный) и Pan troglodytes (Обыкновенный шимпанзе) с другими организмами. Из этого следует, что для каждой пары схожести больше или равное схожести ДНК Homo sapiens (Человек разумный) и Pan troglodytes (Обыкновенный шимпанзе) должно выполняться условие равнобедренности треугольника в ультраметрическом пространстве.
Для подсчета количества треугольников в ультраметрическом пространстве с нарушением равнобедренности использовался следующий алгоритм:
1. Выбор значения метрики Homo sapiens (Человек разумный) и Pan troglodytes (Обыкновенный шимпанзе) в качестве наиболее схожих в каждой из таблиц.
2. Выборка пар организмов со значением метрики большее или равное метрике Homo sapiens (Человек разумный) и Pan troglodytes (Обыкновенный шимпанзе). Запись значения выбранной метрики в переменную P1, эта переменная будет вершиной треугольника.
3. Запись индексов строки и столбца выбранной метрики в переменные
*'1, j1.
4. Выборка пар организмов по матрице с индексами [//1] и [/1,/], где * е (1..30), j е (1..30), / > j.
5. Запись в переменные P2 и P3 значений метрик с индексами [//1] и [/1/]. Вершины P1, P2, P3 образуют треугольник.
6. Для каждой из вершин P1 проверка выполнения равенства P2 - P = 0.
7. Подсчет общего количества треугольников для выбранных организмов.
8. Вычисление оценки точности по формуле, где Pt - количество треугольников с нарушением равнобедренности P2 - P3 > 0,1 ; Pn - общее количество треугольников выборки.
В табл. 1-5 приведены результаты оценки работы алгоритмов.
Заключение
Приведенные исследования показывают, что наиболее точным алгоритмом является алгоритм Нидлмана - Вунша (табл. 1), так как риск подсчета неточного результата меньше, чем у остальных исследуемых алгоритмов.
Physical and mathematical sciences. Mathematics
63
Известия высших учебных заведений. Поволжский регион
Чем выше показатель «оценка точности», тем выше вероятность подсчета неверного результата алгоритмом. Приемлемым результатом считается оценка точности < 50 %.
Таблица 1
Оценка мультиэвристического алгоритма
Номер столбца 2 12 13 14 14 19 24 24 24 25
Номер строки 1 11 9 11 12 13 11 12 14 2
Метрика 0,893 0,9268 0,8409 0,94 0,93 0,874 0,933 0,927 0,932 0,85
Количество треугольников с нарушением равнобедренности > 0,1 50 6 52 0 16 14 12 26 10 32
Общее количество треугольников 56 56 56 56 56 56 56 56 56 56
Оценка точности, % 89,29 10,714 92,857 0 28,6 25 21,43 46,43 17,86 57,1
Таблица 2
Оценка алгоритма Джаро - Винклера
Номер столбца 3 10 10 11 11 11 12 12 12 12 13 13 13 13 13
Номер строки 2 2 3 2 3 10 2 3 10 11 2 3 9 10 11
Метрика 0,9 1 1 1 1 1 1 1 1 1 1 0,9 1 1 1
Количество треугольников с нарушением равнобедренности > 0,1 32 52 32 36 26 36 4 34 48 40 50 56 38 50 54
Общее количество треугольников 56 56 56 56 56 56 56 56 56 56 56 56 56 56 56
Оценка точности, % 57 93 57 64 46 64 7 61 86 71 89 100 68 89 96
Таблица 3
Оценка алгоритма «Расстояние Дамерау - Левенштейна»
Номер столбца 2 12 13 14 14 19 24 24 24
Номер строки 1 11 9 11 12 13 11 12 14
Метрика 0,846 0,86 0,77 0,88 0,867 0,796 0,877 0,87 0,875
Количество треугольников с нарушением равнобедренности > 0,1 50 26 52 2 36 18 6 30 8
Общее количество треугольников 56 56 56 56 56 56 56 56 56
Оценка точности, % 89,29 46,4 92,9 3,57 64,29 32,14 10,71 53,6 14,29
64
University proceedings. Volga region
№ 2 (34), 2015
Физико-математические науки. Математика
В результате можно сделать заключение о порядке точности в порядке убывания:
1) мультиэвристический алгоритм;
2) алгоритм Дамерау - Левенштейна;
3) алгоритм с использованием оценочной матрицы BLOSUM50;
4) алгоритм Джаро - Винклера;
5) алгоритм Дамерау - Левенштейна с использованием оценочных матриц.
Таблица 4
Оценка алгоритма «Расстояние Дамерау - Левенштейна» с использованием оценочных матриц
Номер столбца 2 5 5 5 9 9 9 9 9 11
Номер строки 1 1 2 3 1 2 3 5 7 2
Метрика 0,9 0,849 0,833 0,849 0,829 0,812 0,804 0,84 0,77 0,77
Количество треугольников с нарушением равнобедренности > 0,1 50 48 51 51 53 55 54 51 49 29
Общее количество треугольников 56 56 56 56 56 56 56 56 56 56
Оценка точности, % 89,3 85,71 91,07 91,07 94,64 98,21 96,43 91,07 87,5 51,79
Таблица 5
Оценка алгоритма с использованием оценочной матрицы BLOSUM50
Номер столбца 2 12 14 14 24 24 24
Номер строки 1 11 11 12 11 12 14
Метрика 0,9041 0,915 0,91 0,907 0,903 0,8959 0,902
Количество треугольников с нарушением равнобедренности > 0,1 50 17 11 15 31 42 29
Общее количество треугольников 56 56 56 56 56 56 56
Оценка точности, % 89,286 30,36 19,6 26,79 55,36 75 51,79
Таким образом, такого рода оценка позволяет определять качество алгоритмов подсчета метрик ДНК.
Список литературы
1. Гасфилд, Д. Строки, деревья и последовательности в алгоритмах. Информатика и вычислительная биология / Д. Гасфилд. - СПб. : Невский диалект, БХВ-Петербург, 2003. - 654 с.
2. Бойцов, Л. Использование хеширования по сигнатуре для поиска по сходству / Л. Бойцов // Прикладная математика и информатика. - 2000. - № 7.
3. Мельников, Б. Ф. Параллельная реализация мультиэвристического подхода в задаче сравнения генетических последовательностей / Б. Ф. Мельников, А. Г. Па-
Physical and mathematical sciences. Mathematics
65
Известия высших учебных заведений. Поволжский регион
нин // Вектор науки Тольяттинского государственного университета. - 2012. -№ 4 (22). - С. 83-86.
4. NCBI: nucleotide database, 2015. - URL: http://www.ncbi.nlm.nih.gov/nuccore.
5. Пивнева, С. В. Моделирование задач дискретной оптимизации / С. В. Пивне-ва, М. А. Трифонов // Вектор науки Тольяттинского государственного университета. - 2010. - № 3. - С. 28-30.
6. Мельников, Б. Ф. Кластеризация ситуаций и принятие решений в задачах дискретной оптимизации / Б. Ф. Мельников, Е. А. Мельникова // Известия высших учебных заведений. Поволжский регион. Сер. Естественные науки. - 2007. -№ 2. - С. 25-28.
7. Сайфуллина, Е. Ф. Об алгоритмах восстановления графа по вектору степеней второго порядка / Е. Ф. Сайфуллина, Р. И. Семенов // Эвристические алгоритмы и распределенные вычисления. - 2014. - Т. 1, № 2. - С. 43-57.
8. Needleman, S. A general method applicable to the search for simi-larities in the amino acid sequence of two proteins / S. Needleman, C. Wunsch // Journal of Molecular Bi-ology. - 1970. - № 48 (3). - P. 443-453.
9. Winkler, W. String Comparator Metrics and Enhanced Decision Rules in the Fellegi-Sunter Model of Record Linkage / W. Winkler // Proceedings of the Section on Survey Research Methods. - American Statistical Association, 1990. - P. 354-359.
10. Ewing, B. Base-calling of automated sequencer traces using phred. I. Accuracy assessment / B. Ewing, L. Hillier, M. Wendl, Р. Green // Genome Res. - 1998. - № 8 (3). -P. 175-185.
11. Altschul, S. F. Amino acid substitution matrices from an information theoretic perspective / S. F. Altschul // Journal of Molecular Biology. - 1991. - № 219 (3). -P. 555-565.
References
1. Gasfild D. Stroki, derev'ya i posledovatel'nosti v algoritmakh. Informatika i vychislit-el'naya biologiya [Lines, trees and sequences in algorithms. Informatics and calculus biology]. Saint-Petersburg: Nevskiy dialekt, BKhV-Peterburg, 2003, 654 p.
2. Boytsov L. Prikladnaya matematika i informatika [Applied mathematics and informatics]. 2000, no. 7.
3. Mel'nikov B. F., Panin A. G. Vektor nauki Tol'yattinskogo gosudarstvennogo universi-teta [Scientific vector of Togliatti State University]. 2012, no. 4 (22), pp. 83-86.
4. NCBI: nucleotide database, 2015. Available at: http://www.ncbi.nlm.nih.gov/nuccore.
5. Pivneva S. V., Trifonov M. A. Vektor nauki Tol'yattinskogo gosudarstvennogo univer-siteta [Scientific vector of Togliatti State University]. 2010, no. 3, pp. 28-30.
6. Mel'nikov B. F., Mel'nikova E. A. Izvestiya vysshikh uchebnykh zavedeniy. Povolzhskiy region. Ser. Estestvennye nauki [University proceedings. Volga region. Physical and mathematical sciences]. 2007, no. 2, pp. 25-28.
7. Sayfullina E. F., Semenov R. I. Evristicheskie algoritmy i raspredelennye vychisleniya [Heuristic algorithm and distributed calculations]. 2014, vol. 1, no. 2, pp. 43-57.
8. Needleman S., Wunsch C. Journal of Molecular Biology. 1970, no. 48 (3), pp. 443453.
9. Winkler W. Proceedings of the Section on Survey Research Methods. American Statistical Association, 1990, pp. 354-359.
10. Ewing B., Hillier L., Wendl M., Green R. Genome Res. 1998, no. 8 (3), pp. 175-185.
11. Altschul S. F. Journal of Molecular Biology. 1991, no. 219 (3), pp. 555-565.
66
University proceedings. Volga region
№ 2 (34), 2015
Физико-математические науки. Математика
Мельников Борис Феликсович
доктор физико-математических наук, профессор, кафедра прикладной математики и информатики, Тольяттинский государственный университет (Россия, г. Тольятти, ул. Белорусская, 14)
E-mail: barmaley62@yandex.ru
Пивнева Светлана Валентиновна
кандидат педагогических наук, доцент, кафедра высшей математики и математического моделирования, Тольяттинский государственный университет (Россия, г. Тольятти, ул. Белорусская, 14)
E-mail: tlt.swetlana@rambler.ru
Трифонов Максим Андреевич аспирант, Тольяттинский государственный университет (Россия, г. Тольятти, ул. Белорусская, 14)
E-mail: trifonov_max@mail.ru
Mel'nikov Boris Feliksovich Doctor of physical and mathematical sciences, professor, sub-department of applied mathematics and informatics, Togliatti State University (14 Belorusskaya street, Togliatti, Russia)
Pivneva Svetlana Valentinovna Candidate of pedagogical sciences, associate professor, sub-department of mathematical modeling, Togliatti State University (14 Belorusskaya street, Togliatti, Russia)
Trifonov Maksim Andreevich Postgraduate student, Togliatti State University (14 Belorusskaya street, Togliatti, Russia)
УДК 621.317.7 Мельников, Б. Ф.
Оценка алгоритмов расчета расстояния строк ДНК / Б. Ф. Мельников, С. В. Пивнева, М. А. Трифонов // Известия высших учебных заведений. Поволжский регион. Физико-математические науки. - 2015. - № 2 (34). -
С.57-67.
Physical and mathematical sciences. Mathematics
67
