[論文レビュー] DNACloud: A Potential Tool for storing Big Data on DNA

Shalin Shah, Dixita Limbachiya+1 more|arXiv (Cornell University)|Oct 25, 2013

DNA and Biological Computing参考文献 16被引用数 11

ひとこと要約

DNACloud は、長期間にわたり高密度なデータ保存が可能な合成DNA配列にデジタルファイルをエンコードし、元のファイルにデコードすることができるオープンソースのソフトウェアツールです。DNAの高いデータ密度と安定性を活用し、ハフマン符号化とエラー補正を実装しています。デコードには最大3.4 GB、エンコードには最大554 MBまでのファイルサイズをサポートしています。

ABSTRACT

The term Big Data is usually used to describe huge amount of data that is generated by humans from digital media such as cameras, internet, phones, sensors etc. By building advanced analytics on the top of big data, one can predict many things about the user such as behavior, interest etc. However before one can use the data, one has to address many issues for big data storage. Two main issues are the need of large storage devices and the cost associated with it. Synthetic DNA storage seems to be an appropriate solution to address these issues of the big data. Recently in 2013, Goldman and his collegues from European Bioinformatics Institute demonstrated the use of the DNA as storage medium with capacity of storing 2.2 peta bytes of information on one gram of DNA and retrived the data successfully with low error rate. This significant step shows a promise for synthetic DNA storage as a useful technology for the future data storage. Motivated by this, we have developed a software called DNACloud which makes it easy to store the data on the DNA. In this work, we present detailed description of the software.

研究の動機と目的

• 巨大会計量のビッグデータを、効率的かつ低コストで効果的に保存する課題に対処すること。
• デジタルファイルをDNA配列にエンコードし、元のファイルにデコードできるユーザーフレンドリーなソフトウェアツールを開発すること。
• 合成DNAを媒体として用いることで、スケーラブルでメンテナンスが少なく、耐久性のあるデータストレージを実現すること。
• 研究者や開発者がDNAベースのデータストレージを実験できる実用的なオープンソースプラットフォームを提供すること。
• DNAに保存されたデータのストレージ要件、生体化学的特性（GC含量、融解温度）、合成コストを推定すること。

提案手法

• 2013年のGoldmanらのDNAストレージ手法の改良版を採用し、エラー補正と効率的なエンコードを統合しています。
• データをDNA配列に変換する前にハフマン符号化を用いて圧縮することで、ストレージ効率を向上させています。
• エンコードされたデータを固定長（117塩基）のDNAチャンクに分割し、再構成用にインデックス情報文字列（3進数、15桁）を付加しています。
• 各チャンクの先頭に 'A' または 'T'、末尾に 'G' または 'C' を追加してヌクレオチドのバランスを整え、安定性を向上させています。
• ファイルのエンコード/デコード、メモリおよび生体化学的特性の推定、合成器およびシークエンサー向けエクスポートオプションを備えたGUIを提供しています。
• 入力ファイルサイズに基づいて、必要なDNA量、GC含量、融解温度、コストを予測するストレージ推定機能を備えています。

実験結果

リサーチクエスチョン

• RQ1 どのようにすれば、長期間にわたり高密度なデータストレージが可能なDNA配列にデジタルデータを効率的にエンコードできるか？
• RQ2 信頼性がありスケーラブルなDNAベースのデータエンコードおよびデコードを実現するためのソフトウェアアーキテクチャとアルゴリズムは何か？
• RQ3 DNAに保存されたデータの実用的制約（例：GC含量、融解温度、コスト）は何か？
• RQ4 DNAエンコードおよびデコードプロセス中にエラー補正とデータ整合性をどのように維持できるか？
• RQ5 DNAベースのデータストレージ向けに設計されたソフトウェアツールのファイルサイズ制限は何か？ また、それらの制限をどのように拡張できるか？

主な発見

• DNACloud は最大554 MBのファイルをDNA配列に正常にエンコードでき、デコード可能サイズは最大3.4 GBです。
• ソフトウェアはエラー補正をサポートしており、ハフマン符号化を用いることでエンコード効率を向上させ、データサイズを削減しています。
• DNA配列のGC含量や融解温度といった重要な生体化学的特性を推定でき、実験設計の支援が可能です。
• 必要なDNAの合成コストを推定する機能を備えており、DNAストレージ応用の実用的計画を可能にしています。
• ファイルのエンコード、デコード、データエクスポート、データセキュリティのためのユーザー認証を備えたGUIを提供しています。
• DNACloud はオープンソースであり、WindowsおよびMac用のインストーラー、ユーザーマニュアル、デモ資料とともにダウンロード可能です。