[論文レビュー] A DNA Sequence Compression Algorithm Based on LUT and LZ77

Sheng Bao, Chen Shi+2 more|ArXiv.org|Apr 25, 2005

Algorithms and Data Compression参考文献 6被引用数 4

ひとこと要約

本論文では、LUTベースの事前符号化ステップとLZ77圧縮を組み合わせたDNA配列圧縮アルゴリズムを提案しており、1ベースあたり1.9ビット以下の圧縮比を達成している。3塩基のDNA配列を事前にLUTを用いて64文字のASCII文字にマッピングすることで、LZ77を適用する前処理が可能となり、高速でメモリ使用量が少なく、実装が容易な圧縮が実現される。従来のLZ77や他のアルゴリズムと比較して実行速度が優れており、圧縮効率は競争力を持つ。

ABSTRACT

This article introduces a new DNA sequence compression algorithm which is based on LUT and LZ77 algorithm. Combined a LUT-based pre-coding routine and LZ77 compression routine,this algorithm can approach a compression ratio of 1.9bits \slash base and even lower.The biggest advantage of this algorithm is fast execution, small memory occupation and easy implementation.

研究の動機と目的

• 高圧縮比を達成しつつ計算コストを最小限に抑えるDNA配列圧縮手法の開発。
• FPGA設計におけるLUT（ルックアップテーブル）技術の効率性を生物学的配列圧縮に応用する。
• 従来のバイオインフォマティクス圧縮アルゴリズムと比較して、実行時間とメモリ使用量を低減する。
• データベースにおけるDNA配列の保存・検索に適した、ほぼ即時の復元を可能にする。

提案手法

• アルゴリズムは、3塩基のDNA配列（Nを除く）をカスタム64文字のルックアップテーブルを用いて1つのASCII文字にマッピングする事前符号化ステップを採用している。
• LUTはA、T、G、Cのすべての3塩基組み合わせを印刷可能なASCII文字にマッピングし、圧縮ファイル内で元の塩基配列を直接保持する必要がなくなる。
• N（未知塩基）を含む配列は、連続するNの数nに対し「/n/」を挿入することで処理され、配列の整合性が保たれる。
• 3塩基未満の非トリプレット部分（3つの非N塩基未満）は、符号化を行わずそのまま出力に書き込まれる。
• 事前符号化された出力は、さらにLZ77アルゴリズムを用いて圧縮され、ファイルサイズが縮小される。
• 復元処理は逆順で実行される：LUTベースの復号により元の3塩基配列が再構築され、LZ77の復元処理により完全なDNA配列が復元される。

実験結果

リサーチクエスチョン

• RQ1 LUTベースの事前符号化ステップは、実行時間を短縮しつつDNA配列圧縮効率を著しく向上させることができるか？
• RQ2 LZ77単体と比較して、LUT事前符号化とLZ77を組み合わせた手法は、圧縮比と速度の面でどのように異なるか？
• RQ3 提案手法は、大容量のDNAファイルに対し、高圧縮比と1秒未満の処理時間の両方を達成できるか？
• RQ4 他の圧縮アルゴリズムと比較して、事前符号化ステップは、メモリ使用量の削減と実装の簡素化をどの程度達成できるか？

主な発見

• 提案手法は平均で1.9ビット/塩基の圧縮比を達成しており、一部の配列では1.75ビット/塩基まで低下する。
• 圧縮および復元の平均実行時間は17.647ミリ秒であり、Gzipの平均65ミリ秒と比較して顕著に高速である。
• ほとんどの配列において、事前符号化フェーズは1万CPUクロックサイクル未満で実行され、計算オーバーヘッドが極めて小さいことが示された。
• アルゴリズムは、事前符号化のみの結果と比較してファイルサイズを約75％にまで縮小し、LZ77によるわずかだが明確な改善効果が得られた。
• メモリ使用量が非常に少なく、データベースへの保存に適したほぼ即時の復元が可能である。
• 特にリアルタイムアプリケーションにおいて、従来のLZ77や他の最先端手法と比較して、速度と圧縮比の両面で優れている。