[논문 리뷰] Properties and constructions of constrained codes for DNA-based data storage

Kees A. Schouhamer Immink, Kui Cai|arXiv (Cornell University)|2018. 12. 14.

DNA and Biological Computing참고 문헌 8인용 수 10

한 줄 요약

이 논문은 동시에 동일 염기 서열 최대 길이 m로 제한하고 AT/GC 농도를 균형 있게 유지하는 제약 조건을 갖춘 DNA 코드를 구성하기 위해 이진 기반 접근법을 제안한다. 기존의 이진 런레인지 제한 및 균형 코드를 활용하며, 4진 코드가 略적으로 더 낮은 부가 정보를 제공하지만, 이진 방법은 부가 정보 비용이 관리 가능하면서도 더 단순한 인코딩/디코딩을 가능하게 하여 DNA 데이터 저장 시스템에 더 실용적임을 보여준다.

ABSTRACT

We describe properties and constructions of constraint-based codes for DNA-based data storage which account for the maximum repetition length and AT/GC balance. We present algorithms for computing the number of sequences with maximum repetition length and AT/GC balance constraint. We describe routines for translating binary runlength limited and/or balanced strings into DNA strands, and compute the efficiency of such routines. We show that the implementation of AT/GC-balanced codes is straightforward accomplished with binary balanced codes. We present codes that account for both the maximum repetition length and AT/GC balance. We compute the redundancy difference between the binary and a fully fledged quaternary approach.

연구 동기 및 목표

• 에러에 강건한 DNA 기반 데이터 저장을 위해 동일 염기 서열과 AT/GC 불균형을 제약 조건으로 설정한다.
• AT/GC 균형을 忽시하거나 복잡한 4진 인코딩을 사용하는 기존 DNA 인코딩 기법의 한계를 극복한다.
• DNA 서열 생성을 위한 중간 이진 코드를 활용한 실용적이고 저비용의 인코딩 프레임워크를 개발한다.
• 결합된 제약 조건 하에서 이진 및 직접 4진 인코딩 접근법 간의 부가 정보를 정량화하고 비교한다.
• 최소한의 검색 테이블 크기로 효율적이고 확장 가능한 인코딩/디코딩을 가능하게 하면서도 높은 데이터 용량을 유지한다.

제안 방법

• DNA 서열을 {G=0, C=1, A=2, T=3}의 4기수 알파벳으로 표현하며, AT 농도는 함수 φ(u)로 정의한다.
• 4기수 서열을 이진 구성요소로 분해: x = y + 2z, 여기서 z는 AT/GC 농도를 결정하고 y는 뉴클레오티드 정체성을 제어한다.
• z 서열에 이진 런레인지 제한(RLL) 및 균형 코드를 적용하여 최대 동일 염기 서열 길이 m과 AT/GC 균형을 강제한다.
• 런레인지 분포와 분산 γ₄(m)를 활용하여, 결합된 제약 조건 하에서 유효한 서열 수를 가우시안 근사로 추정한다.
• 대칭 분석을 통해 큰 n에 대해 이진 및 4진 접근법의 부가 정보 표현식 r₂(m,a,n)과 r₄(m,a,n)을 유도한다.
• Q-함수 근사치를 사용해 부가 정보 차이를 비교하며, m=2일 경우 이진 접근법이 약 0.5–1비트의 추가 부가 정보를 유발함을 보여주며, m>6일 경우 이는 무시할 만큼 작다.

실험 결과

연구 질문

• RQ1 어떻게 하면 동일 염기 서열 길이 제한과 AT/GC 균형을 동시에 달성하는 효율적인 DNA 서열 인코딩을 구현할 수 있는가?
• RQ2 결합된 제약 조건을 갖는 DNA 서열에 대해 직접 4진 인코딩 대비 중간 이진 코드를 사용할 경우의 부가 정보 비용은 어떻게 되는가?
• RQ3 결합된 런레인지 및 무게 제약 조건 하에서 이진 접근법의 부가 정보는 4진 접근법과 비교해 어떻게 되는가?
• RQ4 가우시안 근사는 제약 조건이 있는 4기수 서열의 AT 농도 분포를 얼마나 정확하게 모델링하는가?
• RQ5 제약 조건이 있는 코드를 사용한 DNA 기반 저장에서, 인코딩 복잡도와 정보 용량 사이의 실용적 트레이드오프는 어느 정도인가?

주요 결과

• 중간 이진 RLL 및 균형 코드를 활용한 이진 접근법은 직접 4진 인코딩에 비해 훨씬 단순한 인코딩 및 디코딩 검색 테이블을 가능하게 한다.
• m=2일 경우, 균형 제약 조건으로 인해 이진 및 4진 접근법 간의 부가 정보 차이는 약 0.5–1비트/코드워드 수준이다.
• n>10일 경우, 런레인지 제약 조건으로 인한 부가 정보 차이는 균형 제약 조건에 비해 훨씬 크며, 특히 작은 m에 대해 두드러진다.
• m>6일 경우, 이진 및 4진 코드 간의 부가 정보 차이는 무시할 만큼 작아지며, 이로 인해 이진 접근법이 매우 경쟁력이 있다.
• 4기수 RLL 서열에서 AT 농도의 분산은 이진 RLL 서열보다 n/2에 더 집중되어 있어, 4기수 코드가 본질적으로 더 우수한 균형을 유지함을 시사한다.
• 가우시안 근사(정리 6)는 결합된 제약 조건 하에서 유효한 서열 수를 신뢰할 수 있는 추정치로 제공하며, n이 클수록 정확도가 증가한다.