다중 시퀀스 집합을 위한 분배·증착 알고리즘

본 논문은 시퀀스 집합을 하나의 큰 집합으로 처리하는 전통적인 접근법이 데이터 규모가 급증함에 따라 비효율적이라는 점을 지적하고, 이를 다중 시퀀스 집합(MSS) 모델로 전환하는 필요성을 제시한다. MSS는 여러 개의 시퀀스 집합 S₁, S₂, …, S_M 으로 구성되며, 각 집합은 N개의 시퀀스를 포함한다(단순화를 위해 모든 집합의 크기를 동일하게 가정). 이러한 구조는 마이크로어레이 합성, 대용량 텍스트 전송, 유연한 작업장 스케줄링 등 다양한 실제 문제에 적용될 수 있다. PMSS(다중 시퀀스 집합 처리) 문제는 두 단계로 구성된다. 첫 번째는 시퀀스를 M개의 집합에 어떻게 배분할 것인가(분배 단계)이며, 두 번째는 각 집합에 할당된 시퀀스를 어떻게 처리할 것인가(증착 단계)이다. 저자는 두 가지 비용 함수를 정의한다. 첫 번째는 각 집합의 최대 메이크스팬(cost_MM)으로, L_i·N_i (L_i는 집합 i의 최단 공통 초문자열(SCS) 길이, N_i는 시퀀스 수)로 계산한다. 두 번째는 완료 시간 합(cost_SC)으로, 각 시퀀스가 완전히 처리되는 단계 C(s_ij)를 모두 합산한다. 전자는 마이크로어레이와 같이 전체 합성 단계가 중요한 경우에, 후자는 텍스트 전송·스케줄링처럼 개별 작업 완료 시점이 중요한 경우에 적합하다. PMSS는 SCS 문제의 일반화이며, SCS가 NP‑hard인 것처럼 PMSS도 NP‑hard임을 증명한다. 따라서 정확한 최적 해를 구하기는 현실적으로 불가능하므로, 휴리스틱 알고리즘을 설계한다. 기존에 알려진 단일 집합 SCS 휴리스틱(Alphabet, Majority‑Merge, SH, LAP 등)을 그대로 적용하면 분배 단계가 고려되지 않아 비용 절감 효과가 제한적이다. 이에 저자는 두 가지 새로운 알고리즘을 제안한다. 첫 번째인 DDA(Distribution and Deposition Algorithm)는 시퀀스의 알파벳 빈도(각 문자별 등장 비율)를 기준으로 M개의 그룹에 사전 할당한다. 알파벳 비율이 비슷한 시퀀스가 같은 집합에 모이게 함으로써, 집합 내부의 공통성(중복 문자 비율)을 높이고, 결과적으로 SCS 길이를 감소시킨다. 할당이 끝난 뒤에는 기존 SH 혹은 LAP 알고리즘을 적용해 각 집합별 최단 공통 초문자열을 생성한다. 두 번째인 DDA*는 DDA의 개선판으로, 단순 알파벳 비율 대신 시퀀스 프로파일을 활용한다. 구체적으로, 일정 윈도우(예: 길이 3)의 서브시퀀스 빈도를 추출해 고차원 피처 벡터를 만든 뒤, K‑means와 유사한 클러스터링을 수행한다. 이 과정은 시퀀스 간의 미세한 구조적 유사성을 포착하여 보다 정교한 분배를 가능하게 한다. 클러스터링 후에도 동일하게 SH 또는 LAP을 사용해 증착을 수행한다. 알고리즘 복잡도 측면에서 DDA는 알파벳 빈도 계산과 간단한 할당만으로 O(K·N·M) 정도의 시간·공간을 요구한다. DDA*는 추가적인 클러스터링 단계가 O(N·log M) 정도의 비용을 더하지만, 전체적인 복잡도는 여전히 선형에 가깝다. Greedy‑A와 Greedy‑D는 각각 O(K²·N²·M²)와 O(K·N·M²) 복잡도를 가지며, 특히 Greedy‑A는 매우 느려 실용성이 떨어진다. 실험은 두 종류로 나뉜다. 첫 번째는 논문에 제시된 12개의 DNA 시퀀스를 4개의 집합으로 나누는 작은 사례이며, 여기서 DDA는 비용 78, DDA*는 72(최소 비용)로 기존 알고리즘(예: Greedy‑D 93, Alphabet 156)보다 크게 개선한다. 두 번째는 무작위 생성된 대규모 시퀀스 집합(수천~수만 개, 알파벳 크기 4~20)과 실제 바이오 데이터(예: 인간 유전체 조각)에서 수행된 벤치마크이다. 결과는 전반적으로 DDA*가 DDA보다 5~10% 정도 더 낮은 cost_MM을 기록했으며, 두 알고리즘 모두 Greedy‑D와 Alphabet 대비 20~40% 비용 절감을 달성했다. 특히 비용 함수가 cost_SC인 경우에도 DDA*가 일관되게 우수한 성능을 보였다. 특수 경우(예: 이진 알파벳, 작은 N·M)에서는 완전 탐색을 통해 최적 해를 구할 수 있음을 언급한다. 그러나 실제 응용에서는 시퀀스 수와 집합 수가 크게 늘어나므로, 제안된 휴리스틱이 실용적이다. 결론적으로, 본 논문은 (1) PMSS 문제를 명확히 정의하고 비용 모델을 두 가지 형태로 제시했으며, (2) 알파벳 기반과 프로파일 기반 두 가지 분배 전략을 설계해 기존 SCS 휴리스틱과 결합함으로써 비용을 크게 감소시켰다. 또한 알고리즘의 시간·공간 효율성을 분석하고, 다양한 실험을 통해 제안 방법의 우수성을 입증하였다. 이러한 기여는 다중 시퀀스 집합을 활용하는 바이오, 텍스트, 스케줄링 분야에 실질적인 이점을 제공한다.