SUffix trees meet REgular languages

Descripción del proyecto

Una nueva era para el procesamiento de datos basado en grafos

En una era de datos cada vez más complejos e interrelacionados, es importante definir los límites del procesamiento de cadenas de caracteres en vista de los desafíos modernos como las redes sociales y la pangenómica, que requieren una transición a grafos etiquetados. El equipo del proyecto SURE, que cuenta con el apoyo de las Acciones Marie Skłodowska-Curie, tiene como objetivo crear una nueva estructura de datos versátil extendiendo los árboles de sufijos (que ya no son el método de referencia para las cadenas lineales) a autómatas y grafos. Este método, que combina algoritmos, compresión de datos y bioinformática, es crucial para gestionar datos genómicos diversos sin el sesgo de un único genoma de referencia. En el proyecto se establece también un nuevo paradigma para el estudio de los lenguajes regulares, lo que allana el camino para un análisis de datos más eficiente.

Objetivo

The SURE project (SUffix trees meet REgular languages) is an interdisciplinary project at the intersection of several areas: Algorithms, Data Compression, Automata Theory and Bioinformatics. Its primary objective is to extend the suffix tree, the most important data structure for string processing, to labeled graphs and automata, and to use this new paradigm for studying regular languages.

The suffix tree of a string supports a myriad of natural queries on strings, including multiple pattern matching variants. Suffix trees inspired a variety of related data structures for string algorithms, such as the suffix array, the Burrows-Wheeler transform and the FM-index.

Today’s world demands the processing and analysis of increasingly complex, interrelated data. All these relationships can be captured by using (labeled) graphs. For example, the World Wide Web can be modeled as a graph, where elements are connected through hyperlinks. Graphs are also widely used to model social networks and to create databases. The SURE project will lead to a new data structure, the suffix tree of a graph, efficiently supporting all previous queries on graphs. This will be crucial in the emerging field of pangenomics, where graphs can store multiple genomes, overcoming the inherent bias of a single reference genome.

Graphs provide a natural framework for analyzing regular languages in automata theory. Recent results indicate that several string-processing data structures suggest a new paradigm for analyzing regular languages. The SURE project will extend this paradigm through the suffix tree of a graph, proving that the same ideas can be applied to other formalisms (such as omega-regular languages). We will also show how to study the hierarchy of regular languages induced by these data structures through the lens of regular expressions and logic.