sequentiegelijkenis

Sequentiegelijkenis is een maatstaf voor de mate waarin twee sequenties overeenkomen, waarbij zowel de inhoud als de volgorde van de elementen in de sequentie in beschouwing worden genomen. De term wordt in verschillende vakgebieden toegepast en kan verwijzen naar zowel discrete symbolen (bijvoorbeeld tekens of nucleotiden) als meer abstracte symbolen in tijdreeksen of gedragingen.

Meestal wordt sequentiegelijkenis bepaald met behulp van afstands- of gelijkenismaatregelen. Veel gebruikte benaderingen zijn bewerkingsafstanden, zoals de Levenshtein-afstand (edit distance), en sequentie-alignment procedures zoals Needleman-Wunsch of Smith-Waterman die een score toekennen aan hoe goed twee sequenties bij elkaar passen. Deze scores worden vaak genormaliseerd tot een schaal waarin hogere waarden wijzen op grotere gelijkenis. Naast traditionele alignments worden ook k-grammen, probabilistische modellen en tijdreeksanalyses ingezet om sequentiegelijkenis te meten.

Toepassingsgebieden zijn onder meer bioinformatica (vergelijking van DNA-, RNA- en eiwitsequenties), natuurlijk taalverwerking (vergelijking van zinnen of tekstreeksen), event- en gedragsanalyse (sequenties van gebeurtenissen) en tijdreeksanalyse (vergelijking van waarningsreeksen). De keuze voor een specifieke maat hangt af van de aard van de sequenties, de aanwezigheid van missing data, en de gewenste gevoeligheid voor volgorde versus inhoud.

Overwegingen en beperkingen omvatten computationele complexiteit, gevoeligheid voor ruis, en de behandeling van gaps. Het kiezen van een passende normalisatie en afstands- of gelijkenismaat kan aanzienlijk bepalen hoe sequentiegelijkenis in een toepassing interpreteerbaar is.

Zie ook: sequentie-alignment, edit distance, tijdreeksanalyse, n-grammen, gelijkenismetrieken.