패턴·최장공통부분수열·최단공통초과열 연계 분석과 PALS 알고리즘

초록

본 논문은 다중 서열 집합에서 최장공통부분수열(LCS), 최단공통초과열(SCS), 그리고 패턴 사이의 수학적 관계를 정리하고, 이를 기반으로 PALS(Patterns by Lcs and Scs)라는 새로운 패턴 탐색 프레임워크를 제안한다. 휴리스틱 LCS·SCS 알고리즘으로 근사 해를 구한 뒤, 두 결과를 정렬·통합하여 공통적인 서열 패턴을 추출한다. 실험 결과, PALS는 기존 방법에 비해 연산 속도가 빠르고, 민감도·특이도 측면에서도 경쟁력을 보였다. 또한 SCS와 LCS 간 변환 메커니즘을 제공함으로써 두 문제를 상호 보완적으로 활용할 수 있음을 입증한다.

상세 분석

논문은 먼저 LCS와 SCS가 각각 서열 집합의 보존된 구조와 전체적인 길이 압축을 나타내는 반대 개념임을 강조한다. LCS는 모든 입력 서열에 공통으로 포함되는 가장 긴 부분수열을 찾는 문제로, 생물학적 의미에서는 보존된 기능적 모티프를 반영한다. 반면 SCS는 모든 입력 서열을 최소 길이의 초과열(supersequence)로 포함시키는 문제이며, 이는 서열 전체를 포괄하는 ‘프레임’ 역할을 한다. 저자들은 이 두 극단적 해 사이에 존재하는 ‘패턴’이 중간적인 정보를 제공한다는 가설을 세우고, 이를 수학적으로 정의한다. 패턴은 연속적인 고정 구간이 아니라, 허용된 갭(gap)과 와일드카드(wildcard)를 포함하는 일반화된 서열 서브스트링으로, LCS와 SCS 사이의 교차점이라고 볼 수 있다.

논문에서 제시된 주요 정리는 다음과 같다. 첫째, 임의의 서열 집합에 대해 LCS와 SCS는 항상 하나 이상의 공통 패턴을 포함한다. 둘째, LCS의 길이가 l, SCS의 길이가 s라 할 때, 가능한 패턴의 최소 길이는 l이며, 최대 길이는 s이다. 셋째, LCS와 SCS를 각각 휴리스틱 알고리즘(예: Greedy LCS, Approximate SCS)으로 구한 뒤, 두 결과를 좌우 정렬하고 겹치는 구간을 추출하면, 그 구간이 높은 확률로 실제 생물학적 모티프와 일치한다. 넷째, SCS를 LCS로 변환하는 과정은 SCS에서 불필요한 삽입을 제거하고, 남은 공통 부분을 재정렬함으로써 수행될 수 있다. 이러한 정리는 기존에 별도로 다루어졌던 패턴 마이닝, LCS, SCS 문제를 하나의 통합 프레임워크로 묶는 이론적 기반을 제공한다.

알고리즘적 구현 측면에서 PALS는 두 단계로 구성된다. (1) 입력 서열 집합에 대해 휴리스틱 LCS와 SCS를 동시에 계산한다. 여기서 LCS는 다중 서열 간의 공통 부분을 확장하는 방식으로, SCS는 최소 초과열을 구성하기 위해 그리디하게 삽입을 최소화한다. (2) 얻어진 LCS와 SCS를 문자열 정렬(alignment) 알고리즘에 투입하여, 동일한 위치에 존재하는 문자들을 매핑한다. 매핑 과정에서 겹치지 않는 구간은 ‘갭’으로 처리하고, 연속적으로 일치하는 구간은 후보 패턴으로 추출한다. 추출된 후보는 빈도와 정보량 기준으로 필터링되어 최종 패턴 집합을 만든다. 이때 패턴은 ‘*’와 같은 와일드카드 기호를 사용해 가변 길이 갭을 표현한다.

실험 설계는 합성 데이터와 실제 생물학적 데이터(예: 박테리아 16S rRNA, 인간 단백질 도메인) 두 가지로 나뉜다. 합성 데이터에서는 LCS와 SCS 길이를 조절해 난이도를 변화시켰으며, PALS는 평균 30% 이상의 실행 시간 절감과 5~10% 수준의 민감도 향상을 보였다. 실제 데이터에서는 기존 MEME, TEIRESIAS와 비교했을 때, PALS가 발견한 패턴 중 78%가 알려진 기능적 모티프와 일치했으며, 남은 22%는 새로운 후보로 제시되었다. 또한, SCS→LCS 변환 모듈은 기존의 별도 LCS 계산 없이도 동일한 품질의 공통 부분을 복원함을 입증했다. 전반적으로 논문은 LCS·SCS·패턴 사이의 수학적 연관성을 명확히 규정하고, 이를 실용적인 알고리즘으로 구현함으로써 생물 서열 분석에 새로운 도구를 제공한다는 점에서 의의가 크다.