Két betűsort egymás alá írva könnyű megszámolni, hány pozíción áll eltérő jel. Ha azonban az egyik sorba közben bekerült egy új karakter, a későbbi jelek eltolódnak. Egyetlen beszúrás így több pozíciónkénti eltérésnek látszhat.
A következő nagyon rövid sorozatok mesterséges, oktatási karakterláncok: ACGTAC és ACGTTAC. Nem származnak valódi mintából vagy élőlényből. A cél az összehasonlítási módszer megértése; a példából sem eredetet, sem működést, sem biológiai változás tényleges történetét nem állapítjuk meg.
Az eltérő hossz már az elején fontos adat
Az első sor hat, a második hét karakteres. A szokásos Hamming-távolság azonos hosszúságú sorok pozíciónkénti eltéréseit számolja, ezért erre a különböző hosszúságú párra közvetlenül nem alkalmazható.
Ha mégis csak az első hat pozíciót vetnénk össze, az ötödik és a hatodik helyen eltérést látnánk. Ehhez még hozzászámolhatnánk a megmaradó hetedik jelet, és három különbséget mondhatnánk. Ez azonban egy önkényes összehasonlítási szabály volna, nem a standard Hamming-távolság.
A hossz megtartása az adatok között ezért alapvető. A rövidebb sor automatikus levágása vagy a hosszabb sor végének eldobása a hiba okát is elfedheti.
Egy beszúrással pontosan megkapható a második sor
Az ACGTAC negyedik karaktere után egy további T beszúrásával ACGTTAC keletkezik. Egyetlen szerkesztési művelet elegendő, ezért az egységnyi beszúrási, törlési és helyettesítési költséggel számolt Levenshtein-távolság 1.
Az érték nem lehet nulla, mert a két karakterlánc eltér. Egy művelettel létrehoztunk pontos egyezést, ezért az egyes távolság minimális. Ez rövid, teljesen ellenőrizhető bizonyítás a két saját karakterláncra.
A megismételt T miatt a rés elhelyezése nem feltétlenül egyedi: a szomszédos azonos jelek között több azonos költségű igazítás is adódhat. A minimális műveletszám ettől változatlan marad. Az igazítás helyét ezért sem szabad automatikusan egy tényleges biológiai esemény bizonyítékának tekinteni.
A helyettesítés másfajta eltérést ad
Hasonlítsuk össze az ACGTAC és ACCTAC sorokat. Mindkettő hat karakter hosszú, és csak a harmadik pozíció különbözik: G helyett C szerepel. A Hamming-távolság 1, az egységköltséges Levenshtein-távolság szintén 1.
A két távolság egyezése ebben a példában nem jelenti, hogy minden feladatra felcserélhetők. A megengedett műveleteket és azok költségét előre kell meghatározni. Biológiai igazítóeljárások más helyettesítési és résbüntetési szabályokat is használhatnak.
Az NLM szekvenciaigazítási útmutatója külön jelöli az eltéréseket és réseket. A BLAST pontozását itt nem azonosítjuk az egyszerű Levenshtein-távolsággal; a jelen példában minden szerkesztés választott költsége egy.
A GC-arány nem távolságmérték
Az első ACGTAC sorban három G vagy C karakter van a hatból, ezért a GC-arány 50%. Az új T beszúrása után továbbra is három G vagy C szerepel, de a nevező hétre nő: 3/7 × 100 ≈ 42,86%.
A DNS-szekvencia-elemző a hossz és az összetétel ellenőrzéséhez használható. Ebből nem következik, hogy teljes szekvenciaigazítást vagy Levenshtein-távolságot is számol. A szöveg-összehasonlító megjelenített különbségeit pedig a saját összehasonlítási szabálya szerint kell értelmezni.
A különböző GC-arány önmagában nem mondja meg, hol történt eltérés. Ugyanígy két azonos összetételű karakterlánc sorrendje is különbözhet. A hossz, az összetétel és az igazítás három külön ellenőrzési szempont.
Gyakori kérdések
Miért nincs itt közvetlen Hamming-távolság az első párra?
A két sor hossza eltér. A standard pozíciónkénti Hamming-összehasonlítás azonos hosszúságú sorokat igényel.
A minimális egy beszúrás megadja a valódi változás történetét?
Nem. Ez a két megadott karakterlánc között, a választott költségmodellben elégséges minimális szerkesztés. Történeti következtetéshez más adatok is kellenek.
A GC-arány változásából megmondható a beszúrt jel helye?
Nem. Az összetételi arány nem tartalmaz helyinformációt. A karakterek sorrendjét és az igazítást külön kell megvizsgálni.