Este artículo presenta un método novedoso que utiliza grafos de conocimiento asociativo de estructura secuencial (SSAKG) para abordar los desafíos del almacenamiento y la recuperación de secuencias en aplicaciones como la detección de anomalías, la predicción del comportamiento y el análisis de información genética. Los SSAKG codifican secuencias como torneos de tendencia, donde los nodos representan objetos y las aristas definen su orden. Desarrollamos cuatro algoritmos de ordenación (ordenación simple, ordenación de nodos, ordenación de nodos mejorada y ordenación de nodos de aristas ponderadas) y evaluamos su rendimiento utilizando conjuntos de datos sintéticos y del mundo real (secuencias de oraciones de la biblioteca NLTK y secuencias de miRNA). La precisión, la sensibilidad y la especificidad se utilizan como métricas de evaluación. Los SSAKG exhiben una capacidad de memoria que crece cuadráticamente con el tamaño del grafo, no requieren aprendizaje, son flexibles en la reconstrucción basada en el contexto y ofrecen alta eficiencia en grafos de memoria dispersa. Esto proporciona una solución escalable para operaciones de memoria basadas en secuencias con amplias aplicaciones en neurociencia computacional y bioinformática.
