ゲノム配列からの高次圧縮・クラスタリングによる知識発見

通过基因组序列的高阶压缩和聚类发现知识

• 批准号: 12208012
• 负责人: 稲葉 真理
• 金额: --
• 依托单位: The University of Tokyo
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research on Priority Areas (C)
• 财政年份: 2000
• 资助国家: 日本
• 起止时间: 2000 至 无数据
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-12208012/
• 关键词: ゲノム配列; 圧縮; 文脈木重み付け法; 文字列検索; 圧縮データベース

DNA配列,たんぱく質配列に対する高圧縮率な圧縮アルゴリズムを開発した.既存の手法ではLZ77圧縮法を元にし,配列中のあいまい一致や回文構造を利用したものが用いられていたが,これと文脈木重み付け法を組み合わせることでDNAに対する圧縮率を改善できた.またたんぱく質に関しては既存の手法ではほとんど圧縮できていなかったが,文脈木重み付け法とあいまい一致を考慮したLZ77法を組み合わせることで高い圧縮率を達成できた.またLZ77圧縮のためのハッシュや接尾辞配列を用いた高速なアルゴリズムも考案した.ゲノム配列データベースは巨大になっているが,これを圧縮したまま高速に検索するデータ構造を考案した.これは接尾辞配列を圧縮したものを用いており,データベース全体を走査することなく任意の文字列を検索できる.またデータベース中の任意の部分を高速に復元するアルゴリズムや,データマイニングで用いられる索引をコンパクトに格納する方法を考案した.実験により,圧縮された配列や文書と,検索のための索引のサイズの合計を元の文書のサイズより小さくできることを示した.このデータ構造を用いてゲノム配列中のあいまい一致を高速に求めるアルゴリズムなどを実現できるため,類似配列の検索などのさまざまな演算を効率よく行うことができる.

DNA coordination,たんぱく mass coordination に against する high compression rate な compression ア ゴリズムを ゴリズムを development た. Existing の gimmick で は LZ77 圧 shrinkage method を yuan に し, match column の あ い ま い consistent や を palindrome structure using し た も の が with い ら れ て い た が, こ れ と context wood heavy み pay け を group み close わ せ る こ と DNA に で す seaborne る 圧 shrinkage を improve で き た. ま た た ん ぱ く qualitative に masato し て は existing の gimmick で は ほ と ん ど 圧 shrinkage で き て い な か っ た が, context wood heavy み pay け method と あ い ま い consistent を consider し た LZ77 を group み close わ せ る こ と で high い 圧 shrinkage を reached で き た. ま た LZ77 圧 shrinkage の た め の ハ ッ シ ュ や tail quit mating by い を た high-speed な ア ル ゴ リ ズ ム も test case し た. ゲ ノ ム match column デ ー タ ベ ー ス は huge に な っ て い る が, こ れ を 圧 し た ま ま high-speed に 検 cable す る デ ー タ tectonic を test case し た. こ れ は tail quit mating column を 圧 shrinkage し た も の を with い て お り, デ ー タ ベ ー ス all を walkthrough す る こ と な く arbitrary の text columns を 検 cable で き る. ま た デ ー タ ベ ー ス を の の any part of a high-speed に recovery す る ア ル ゴ リ ズ ム や, デ ー タ マ イ ニ ン グ で with い ら れ る index Youdaoplaceholder0 た パ トに トに トに the gener する method を the study case た た. Be 験 に よ り, 圧 さ れ た with や clerical と, 検 cable の た め の index の サ イ ズ の combined を yuan の documents の サ イ ズ よ り small さ く で き る こ と を shown し た. こ の デ ー を タ structure with い て ゲ ノ ム match column の あ い ま い consistent を high-speed に o め る ア ル ゴ リ ズ ム な ど を be presently で き る た め, similar with column の 検 cable な ど の さ ま ざ ま な Calculate the を efficiency よく rows う う とがで る る る る.

项目成果

K.Sadakane: "Compressed Text Databases with Efficient Query Algorithms based on the Compressed Suffix Array"Proceedings of ISAAC'00, Lecture Notes in Computer Science. 1969. 410-421 (2000)

K.Sadakane：“基于压缩后缀数组的具有高效查询算法的压缩文本数据库”ISAAC00 会议记录，计算机科学讲义。

T.Matsumoto,K.Sadakane and H.Imai: "Biological Sequence Compression Algorithms"Genome Informatics 2000. 43-52 (2000)

T.Matsumoto、K.Sadakane 和 H.Imai：“生物序列压缩算法”基因组信息学 2000. 43-52 (2000)

定兼邦彦: "圧縮接尾辞配列に関する考察"情報処理学会SIGDBS. (2000)

Kunihiko Sadakane：“压缩后缀数组的研究”日本信息处理协会 SIGDBS（2000）。

K.Sadakane: "Algorithms on Strings based on the Compressed Suffix Arrays"情報処理学会SIGAL. (2000)

K. Sadakane：“基于压缩后缀数组的字符串算法”日本信息处理协会 SIGAL (2000)。

M.Inaba,N.Katoh and H.Imai: "Variance-Based κ-Clustering Algorithms by Voronoi Diagrams and Randomization"IEICE Trans.Information and Systems. E83-D,6. 1199-1206 (2000)

M.Inaba、N.Katoh 和 H.Imai：“Voronoi 图和随机化的基于方差的 κ 聚类算法”IEICE Trans.Information and Systems，1199-1206 (2000)。