[論文レビュー] Optimal Codes Correcting a Single Indel / Edit for DNA-Based Data Storage

Kui Cai, Yeow Meng Chee+3 more|arXiv (Cornell University)|Oct 15, 2019

DNA and Biological Computing参考文献 18被引用数 19

ひとこと要約

本稿では、1つのインデルまたはエディットを是正する四値符号の最初の順序最適で線形時間のエンコーダーを提示する。インデル是正の冗長度は⌈log n⌉ + 2ビットにまで低減され、1984年のTenengoltsの結果より4ビット以上優れている。さらに、初めて知られるエディットを是正可能なGCバランスDNA符号の構成も提案し、修正されたKnuthのバランス化技術と、3⌈log n⌉ + 2の冗長度を持つ新規のシンドロームベースエンコーダーを用いる。

ABSTRACT

An indel refers to a single insertion or deletion, while an edit refers to a single insertion, deletion or substitution. In this paper, we investigate codes that combat either a single indel or a single edit and provide linear-time algorithms that encode binary messages into these codes of length n. Over the quaternary alphabet, we provide two linear-time encoders. One corrects a single edit with log n + O(log log n) redundancy bits, while the other corrects a single indel with log n + 2 redundant bits. These two encoders are order-optimal. The former encoder is the first known order-optimal encoder that corrects a single edit, while the latter encoder (that corrects a single indel) reduces the redundancy of the best known encoder of Tenengolts (1984) by at least four bits. Over the DNA alphabet, we impose an additional constraint: the GC-balanced constraint and require that exactly half of the symbols of any DNA codeword to be either C or G. In particular, via a modification of Knuth's balancing technique, we provide a linear-time map that translates binary messages into GC-balanced codewords and the resulting codebook is able to correct a single indel or a single edit. These are the first known constructions of GC-balanced codes that correct a single indel or a single edit.

研究の動機と目的

• 1つのインデルまたはエディットを是正する四値符号のための効率的で線形時間のエンコーダーを設計し、従来の冗長度の上限を改善すること。
• 既存のインデル是正符号の冗長度を低減し、特に1984年のTenengoltsの構成を4ビット以上上回ること。
• 1つのエディットを是正可能な、初めてのGCバランスDNA符号を構成し、合成とシーケンシングの安定性を確保するため50%のGC含有量を維持すること。
• エラー是正をDNAストレージの実用的制約（GC含有量、効率的な符号化/復号）と統合すること。
• 大型のルックアップテーブルを避ける、体系的でルックアップフリーな方法により、修正されたKnuth技術を用いて符号語をバランス化すること。

提案手法

• 変更されたVarshamov-Tenengolts構成のバージョンを用いて、1つのインデル是正のための新規な四値エンコーダーを提案し、⌈log n⌉ + 2の冗長度を達成する。
• 四値アルファベット上での1エディット是正のためのシンドロームベースの符号化・復号メカニズムを導入し、線形時間アルゴリズムを活用する。
• Knuthのバランス化技術を修正し、下位のシーケンスにバランスインデックスを格納することで、ルックアップテーブルの必要性を排除する。
• 2段階のエンコーダーを構築：まずKnuth法でメッセージをバランス化し、次にシンドロームとインデックスを線形時間エンコーダーを用いて2番目のバイナリーシーケンスに埋め込む。
• バイナリーライナー符号（エンコーダー ℒ）を用いて、シンドロームとインデックスを下位シーケンスに埋め込み、結合符号語における1エディット是正を可能にする。
• 復号アルゴリズムを設計し、上位（バランス済み）および下位（シンドローム・インデックス）の両シーケンスに対して個別にエディットを是正することで、元のメッセージを回復する。

実験結果

リサーチクエスチョン

• RQ1 1984年のTenengolts構成を上回り、冗長度が⌈log n⌉ + 2ビットの四値符号を1つのインデルを是正可能に構成できるか？
• RQ2 1エディット是正の四値符号に対して、O(log n)ビットの冗長度を有する線形時間エンコーダーを設計できるか？
• RQ3 1つのエディットを是正可能でありながら、正確に50%のGC含有量を維持するGCバランスDNA符号を構成できるか？
• RQ4 Knuthのバランス化技術をどのように修正すれば、ルックアップテーブルを避けつつDNA符号におけるエラー是正能力を保持できるか？
• RQ5 線形時間で動作し、GCバランスが取れており、1つのエディットを是正可能なDNA符号の最小冗長度は何か？

主な発見

• 提案された1インデル是正エンコーダーは、⌈log n⌉ + 2ビットの冗長度を達成し、1984年のTenengoltsの結果と比較して最低でも4ビットの冗長度削減を実現した。
• 1エディット是正の四値アルファベット上でのエンコーダーは、冗長度⌈log n⌉ + O(log log n)ビットで順序最適である。
• 1つのエディットを是正可能であり、初めて知られるGCバランスDNA符号が構成され、冗長度は3⌈log n⌉ + 2ビットである。
• エンコーダーはバランスインデックスを下位シーケンスに直接埋め込むことで、ルックアップテーブルを回避し、効率的でルックアップフリーな復号を可能にした。
• インデルおよびエディット是正の両方において、符号化・復号が線形時間で実行可能であり、大規模なDNAデータストレージに実用的である。
• 本手法により、すべての符号語が正確に50%のGC含有量を持つことが保証され、信頼性の高いDNA合成とシーケンシングを満たす重要な生物学的制約を満たしている。