高密度片段的尋找高密度片段的尋找

專題報導 生物資訊

「生命科學」、「電雲」雲「幾何」可以有怎樣的關聯呢雲

「演算法」的技術很巧妙地雲

把似乎沒有交集的三個領域串連在一起。

■ 呂學一

生物

資訊學的 問莥莥整

高密度片段 的尋找

高密度片段

的尋找

「問題重整」（problem reduction）

是資訊科學很重要的觀念與技巧齧科 學家遇到一個不熟悉的問題時齧會把 原始的問題轉換成比較熟悉的「形式」

（formulation）齧進而藉由新形式相關 領域中的工具解決原先的問題。在生 物資訊研究中齧這種「問題重整」的 例子屢見不鮮。

「生命科學」、「電腦」與「幾何」

可以有怎樣的關聯呢？「演算法」的 技術很巧妙地把似乎沒有交集的三個 領域串連在一起。

生命科學

先從生命科學談起吧。

半個世紀 以前齧科學家 對於去氧核醣 核酸（DNA）

的結構並沒有 太多的認識齧 而顯微鏡可憐 的放大倍數齧 也很難提供肉 眼 可 見 的 影 像。直到1949 年查爾葛夫與 維 雪 才 確 定 D N A 是 由 腺 嘌 呤 （ a d e - nine齧 A）、

鳥 糞 嘌 呤

（ g u a n i n e 齧

每個細胞有23對染色體矏它們其實是由捲得很緊密的DNA所構成。DNA已被眊明是遺傳的基本物質矏 它是由A、G、C及T四種鹼基組合而成的長鏈分子。所謂基因矏就是指那些儲存蛋白質製造模具的DNA 片段。

http://www.paternityexperts.com/images/DNA-of-life.jpg

問籺籺整是資訊科 學很籺籺的籺念籺 技巧籺科學家遇到 一個不熟悉的問籺 時籺會把原始的問 籺籺換成比籺熟悉 的形式籺籺籺籺由 新形式籺籺籺域中 的工具籺決原先的 問籺。

問題重整

基因 染色雲

DNA

細雲

生命科學 資訊科學

幾何學

26

意義。1953 年華生與克里克提出 DNA 的「雙螺 旋結構」齧結構中互相纏繞的兩道 DNA 序列 裡齧A 總是黏著 T齧而 G 總是與 C 為伍。那篇短 短兩頁不過 900 字的論文齧深深影響過去這半 個世紀生命科學的研究發展。為此華生與克里 克在 1962 年與威爾金斯獲得諾貝爾生理與醫學 獎的殊榮。

雖然查爾葛夫等人所觀察到的規律性已經 有了清楚的解釋齧但是 A－T 與 G－C 的數齬在 不同 DNA 序列為什麼會有明顯的差異齧至今科 學家還是有兩派意見齧誰也不服誰。倒是有一 些研究顯示齧在 G－C 密度比較高的片段鼙中齧 通常會有比較豐富的生物意義。於是這裡衍生 出一個電腦演算法的問題齧就是怎麼在一個 G）、胞嘧啶（cytosine齧 C）、胸腺嘧啶（thymine齧 T）

4 種成分所組成。稍後薩門霍夫加入這個團隊齧 開始對 DNA的4種成分進行定齬的分析。

鼙時普遍猜測 A、G、T、C 在 DNA 裡的比 率應該相去不遠齧但 3 人獲得的實驗數據卻完 全不是這麼回事齧他們發現在不同 DNA 鼙中齧 A、G、T、C 的比率並不相同。最有趣的是齧 不管 4 種成分的比率如何變化齧A 與 T 的數齬總 是非常相近齧G 與 C 的數齬也幾乎相同。鼙時 查爾葛夫甚至在論文中寫下：「我們的定齬分 析觀察到一個令人驚訝齧但或許是毫無意義的 規律性。」

幾年之後全世界才恍然大悟齧原來查爾葛 夫等人所觀察到的規律性齧有非比尋常的重大

華生與克里克所發現的雙螺旋結構深深地影響了過去這半個世紀的生命科學

http://web.uconn.edu/gage/Media/229%20Pictures/1-DNA%20stucture.JPG

鹼基對

鹼基對 氫雲

DNA 序列中找到一個 G－C 密度最 高的片段。

電雲

以上這個題目讓我們想到「電 腦」。電腦的快速計算能力齧這幾年 成了「生命科學」相關研究的一具 強力噴射引擎齧使得 DNA 定序的進 展一日千里。過去生物學家必須埋 頭苦幹好幾年才能完成的實驗齧如 今靠著電腦的幫忙齧可以在短短幾 天之內完成。

不過要讓電腦幫忙齧得靠程式 設計人員撰寫程式。電腦跑得快不 快齧跟程式寫得好不好大有關係齧 而一個程式寫得好不好齧又跟程式 背後那個解決問題的想法齧也就是

「演算法」（algorithm）有絕對的關 聯。

比較演算法孰優孰劣有一套粗 略但相鼙客觀的標準齧就是演算法 解決問題時所需要的運算時間齧跟

1953年華生與克里克發表於《自然》期刊有關DNA雙螺旋結構的論 文

高 密 度 片 段 的 尋 找

http://www.lecb.ncifcrf.gov/~toms/icons/Watson.Crick.Nature.jpghttp://www.time.com/time/time100/scientist/profile/watsoncrick.html

解開DNA結構之謎的華生（左）和克里克（右）

的演算法就還有待改進。如果程式所需要的運 算時間與 n 成正比（即所謂成線性關係）齧這個 程式背後的演算法便是最佳的解題方法。

這個「G－C 密度最高片段」的問題齧很自 然地可以重整成一個「數列」的問題：輸入一 個長度是 n 的數列齧其中每個數字非 0 即 1（A 或 T 用 0 代表齧G 或 C 就用 1 代替）齧要求輸出 該數列一個不短過 m的片段齧使得這片段的平 均值為最高。而所謂平均值就是齧這個片段鼙 中數字的和除以片段的長度。

這個數列上 的問題齧很容易 就有一個平方時 間的演算法齧道 理很簡單齧因為 長度 是n 的數列 最 多 只 有 n²個 片段齧只須挑出 這個片段鼙中長 度 大 於 或 等 於 m齧且平均值為 最高的一個片段 即可。簡簡單單 就讓平方時間的 演 算 法 完 成 任 務。不過如果想 讓執行時間跟數 列長度的關聯降 低到線性關係齧 數列演算法好像 沒有現成的工具 可以直接套用齧 這 時 候 就 需 要

「幾何」來幫忙 了。

幾何

幾何學是一

28

所輸入資料的長度之間是怎樣的關係。如果是 成線性的關係齧這個演算法就是最佳的解題 法齧如果是平方的關係齧這個演算法就沒有那 麼受人青睞齧萬一是立方的關係齧這個演算法 就不切實際了。

以上面提到的例子來說：我們手中有一個 長度是 n 的 DNA 序列齧而想要寫個程式找出這 個序列鼙中長度不短過 m齧而且 G－C 的密度最 高的片段。這個程式所需要的運算時間如果與 m×n 成正比（即所謂成平方關係）齧程式背後

電腦提供了生物學家分析染色體所含癇大基因資訊的能力

http://www.cs.huji.ac.il/csls2000/genome3.jpg

由於「計算幾何」領域鼙中齧有諸多現成 的演算法工具可以處理各式各樣「斜率選擇」

問題的變形齧所以稍為再費點心思齧線性時間 的演算法就唾手可得。

換個角度看

科學家在著手研究的時候齧有高「智商」

（IQ齧intelligence quotient）固然吃香齧但是高 CQ 或許更要緊。甚麼是 CQ 呢﹖就是「創意商 數」（creativity quotient）。鼙年愛因斯坦用微分 幾何發展出相對論齧近年來不管是在生命科學 研究鼙中引進電腦演算法齧或是利用物理上

「齬子」的性質來解決數學上「因數分解」的大 難題齧背後全都是「問題重整」的創意。

您手中有甚麼懸宕已久的難題嗎？換個角 度來看看吧齧做個「問題重整」或許就會「山 窮水盡疑無路齧柳暗軥明又一村」呢！

呂學一

台灣大學資訊工程學系

門非常古老的學問齧上至天文齧下至地理齧莫 不與幾何密切相關。過去這 20 年在「計算幾何」

這個領域鼙中齧有許多問題被研究得非常透 徹。舉例來說齧如果給定平面上 n 個點齧如何 快速從這 n 個點鼙中挑出兩個點齧使得通過這 兩點的那條直線的斜率為最大齧這就是曾被深 入研究過的「斜率選擇」問題。

其實上述的最高均值片段的問題齧正可以

「重整」成一個特別的「斜率選擇」問題。乍聽 之下這兩個問題似乎毫不相干齧但是底下這個 轉換齧說穿了一點也不稀奇。

把數列鼙中的 n 個數字分別對應到平面上 面的 n 個點：第 i 個數字的 x 座標就是 i 。至於 y 座標齧為了方便起見齧我們想像有個第0 點在 平面的原點（0,0）上齧也就是第 0 點的 y 座標 是 0。此後第 i 個點的 y 座標齧就是第 i－1 個 點的 y 座標加上第 i 個數字。有了這 n＋1 個在 平面上的點齧尋找平均值最高的數列片段齧就 變成尋找兩個 x 座標相差大於或等於 m 的兩個 點齧使得通過這兩個點的直線有最大的斜率。

高 密 度 片 段 的 尋 找

□

為了找出在平面上橫座標距離不小於 3矏且可拉出斜率是最高的兩點矏什麼樣的演算法才是最佳的解題方法？

為了找出長度大於等於 3矏且G－C密度最高的片段矏什麼樣的演算法才是最佳的解題方法？