[論文レビュー] DNA Lossless Differential Compression Algorithm based on Similarity of Genomic Sequence Database

Heba M. Afify, Muhammad Najam-ul-Islam+1 more|arXiv (Cornell University)|Sep 1, 2011

Algorithms and Data Compression被引用数 3

ひとこと要約

本論文は、配列類似性を活用して参照配列とそれからの差分（デルタ）を格納することで、個々の配列を格納するのではなく、ゲノム配列データベース向けの無損失差分圧縮アルゴリズムを提案する。差分を符号化するためのオペコードテーブルを用いることで、3つのゲノムデータセットにおいて最大195倍の圧縮（99.4％の領域削減）を達成し、事前の配列集合の統計的知識を必要としない。

ABSTRACT

Modern biological science produces vast amounts of genomic sequence data. This is fuelling the need for efficient algorithms for sequence compression and analysis. Data compression and the associated techniques coming from information theory are often perceived as being of interest for data communication and storage. In recent years, a substantial effort has been made for the application of textual data compression techniques to various computational biology tasks, ranging from storage and indexing of large datasets to comparison of genomic databases. This paper presents a differential compression algorithm that is based on production of difference sequences according to op-code table in order to optimize the compression of homologous sequences in dataset. Therefore, the stored data are composed of reference sequence, the set of differences, and differences locations, instead of storing each sequence individually. This algorithm does not require a priori knowledge about the statistics of the sequence set. The algorithm was applied to three different datasets of genomic sequences, it achieved up to 195-fold compression rate corresponding to 99.4% space saving.

研究の動機と目的

• 大規模なゲノム配列データセットを効率的に保存するという増大する課題に対処すること。
• 相同ゲノム間の高い配列類似性を活用して、ゲノムデータベースのストレージオーバーヘッドを低減すること。
• 事前の配列統計知識を必要としない圧縮アルゴリズムの開発。
• 参照配列とそれからの差分のみを格納することで、ストレージを最適化すること。
• 高圧縮比を達成するとともに、元の配列を完全に再構築可能に保つこと。

提案手法

• 配列類似性に基づいて、データセットから参照配列を選択する。
• オペコードテーブルを用いて、参照配列と他のすべての配列との差分配列（デルタ）を計算する。
• 再構築を可能にするために、差分とその参照配列内での位置を格納する。
• オペコードテーブルはヌクレオチドの変化（例：A→G）をコンactコードにマッピングし、繰り返しパターンのための領域削減を実現する。
• データの統計モデルに依存しないため、多様なゲノムデータセットに適応可能である。
• 圧縮されたデータ構造は、参照配列、位置付きの差分リスト、およびオペコードテーブルから構成される。

実験結果

リサーチクエスチョン

• RQ1 配列類似性に基づく差分圧縮は、ゲノムデータのストレージ要件を顕著に削減できるか？
• RQ2 事前のデータ統計的仮定なしに、類似性駆動の差分圧縮アプローチはどの程度有効か？
• RQ3 本手法を用いて、実際のゲノム配列データセットでどの程度の圧縮比が達成できるか？
• RQ4 高圧縮を達成しながらも、損失なしの元の配列再構築を維持できるか？
• RQ5 オペコードテーブルの設計は、ゲノムデータの圧縮効率にどのように影響するか？

主な発見

• テストされたゲノムデータセットにおいて、最大195倍の圧縮比を達成した。
• 個々の配列を格納する場合と比較して、最大99.4％のストレージ領域削減が達成された。
• 事前の配列統計知識を必要としないため、一般応用性が向上した。
• 差分の符号化にオペコードテーブルを用いることで、圧縮効率が顕著に向上した。
• 本手法は3つの異なるゲノム配列データセットで検証され、一貫した高い性能を示した。
• 参照配列とデルタ配列の回復により、元の配列の損失なし再構築が完全にサポートされている。