抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ネットワークフローを加重経路に分解することは,多くの応用を持つ。いくつかの応用は,経路数,ロバスト性,または長さなどのいくつかの特性である最適w.r.t.の任意の分解を必要とする。多くのバイオインフォマティクス応用は,経路が流れを生成するいくつかの根底にあるデータに対応する特定の分解を必要とする。実際の入力では,正しい分解を一意的に同定する最適化基準は保証されない。したがって,著者らは,あらゆるフロー分解における少なくとも1つの経路のサブパスの安全な経路を報告する。Ma,ZhengおよびKingsford[WABI2020]は,確率的フレームワーク,すなわち非識別可能性における多重最適解の存在に取り組んだ。その後の[RECOMB 2021]は,AND-Quantと呼ばれる問題を解くための大域的基準に基づく二次時間アルゴリズムを与え,与えられた経路が安全であるかどうかの報告の問題を一般化する。有向非巡回グラフ(DAG)における流れ分解に対する安全な経路の最初の局所キャラクタリゼーションを行い,安全な経路の完全な集合を見つけるための実用的アルゴリズムを導いた。RNA転写物データセット上でのフロー分解に対して,自明な安全アルゴリズム(ユニット,拡張ユニットグ)およびポピュラーに使われている発見的方法(欲張り幅)に対するアルゴリズムを評価した。完全な精度を維持するにもかかわらず,このアルゴリズムは,自明な安全アルゴリズムよりも有意に高いカバレッジ(≒50%以上)を報告した。より良いカバレッジを報告するが, greedy欲幅アルゴリズムは,複雑なグラフに関してかなり低い精度を有した。全体として,著者らのアルゴリズムは,データセットが多数の複雑なグラフを持つとき,統一メトリック(F-Score)上で(約20%) greedy欲幅を凌駕する。さらに,それは,優れた時間(3-5×)と空間効率(1.2-2.2×)を持ち,流れ分解のバイオインフォマティクス応用に対するより良い,より実用的なアプローチをもたらした。【JST・京大機械翻訳】