[논문 리뷰] Sequence-Subset Distance and Coding for Error Control in DNA-based Data Storage

Wentu Song, Kui Cai외 1명|arXiv (Cornell University)|2018. 09. 16.

DNA and Biological Computing참고 문헌 15인용 수 7

한 줄 요약

이 논문은 순서가 없는 DNA 서열 집합으로 일반화된 해밍 거리의 새로운 측도인 순서-서브셋 거리를 소개한다. 이는 DNA 기반 데이터 저장에서 오류 수정 코드 설계를 위한 통합 프레임워크를 가능하게 한다. 저자들은 최소 거리에 의해 오류 수정 능력이 완전히 결정되는 순서-서브셋 코드를 제안하고, 싱글턴 유사 및 플롯킨 유사 경계를 포함한 이론적 경계를 수립하며, 특정 경우에 대해 최적의 구성도 제시한다.

ABSTRACT

The process of DNA-based data storage (DNA storage for short) can be mathematically modelled as a communication channel, termed DNA storage channel, whose inputs and outputs are sets of unordered sequences. To design error correcting codes for DNA storage channel, a new metric, termed the sequence-subset distance, is introduced, which generalizes the Hamming distance to a distance function defined between any two sets of unordered vectors and helps to establish a uniform framework to design error correcting codes for DNA storage channel. We further introduce a family of error correcting codes, referred to as \emph{sequence-subset codes}, for DNA storage and show that the error-correcting ability of such codes is completely determined by their minimum distance. We derive some upper bounds on the size of the sequence-subset codes including a tight bound for a special case, a Singleton-like bound and a Plotkin-like bound. We also propose some constructions, including an optimal construction for that special case, which imply lower bounds on the size of such codes.

연구 동기 및 목표

• 풀링 및 시퀀싱 과정으로 인해 입력과 출력이 순서가 없는 서열 집합이 되는 DNA 기반 데이터 저장에서 오류 제어 문제를 해결하기 위해.
• 서열 삭제, 삽입 및 기호 수준의 대체 오류를 포함하는 오류를 가진 통신 시스템으로 DNA 저장 채널을 모델링하기 위해.
• 순서가 없는 서열 집합으로 일반화된 해밍 거리의 새로운 거리 측도인 순서-서브셋 거리를 개발하여 일관된 오류 수정 코드 설계를 가능하게 하기 위해.
• 싱글턴 유사 및 플롯킨 유사 경계와 같은 상한 경계를 통해 코드 크기의 이론적 한계를 수립하고, 하한 경계를 제공하는 구성 방법을 제시하기 위해.

제안 방법

• 두 서열 집합 간의 거리로, 매칭된 서열 간 최소 해밍 거리의 합에 더하여 매칭되지 않은 서열에 대한 보상이 포함된 순서-서브셋 거리 $ d_S(X_1, X_2) $ 를 정의한다.
• 순서-서브셋 코드의 최소 거리를, 임의의 두 서로 다른 코드어 간의 순서-서브셋 거리 중 최소값으로 정의하며, 이는 코드의 오류 수정 능력을 완전히 결정한다.
• 싱글턴 유사 경계 유도: $ |C| \leq 2^{L(n-d+1)} $, 알파벳 크기가 4인 길이 $ n $, 최소 거리 $ d $ 인 코드에 대해.
• 플롯킨 유사 경계 유도: $ |C| \leq \frac{2L}{2L - d_{\min}} \cdot 2^{L(n-1)} $, $ d_{\min} > 2L $ 인 경우에 유효하다.
• 최소 거리 $ d_{\min} = 2L $ 인 특수 케이스에 대해 최적의 구성 방법을 제공하며, 알려진 가장 날카로운 상한 경계에 도달한다.
• 거리 계산을 위해 집합 간 서열의 매칭 기반 할당을 사용하여 삼각 부등식이 성립함을 보장함으로써, 이 측도가 타당한 메트릭임을 입증한다.

실험 결과

연구 질문

• RQ1 순서가 없는 DNA 서열 집합 간에 일관된 거리 측도를 어떻게 정의할 수 있을까? 이를 통해 DNA 저장에서 오류 수정 코드 설계가 가능해진다.
• RQ2 주어진 최소 거리를 가진 순서-서브셋 코드의 최대 크기에 대한 이론적 경계는 무엇이 있는가?
• RQ3 특정 경우의 순서-서브셋 코드에 대해 이론적 상한 경계에 도달하는 최적의 구성 방법을 유도할 수 있는가?
• RQ4 순서-서브셋 거리는 기존의 해밍 거리를 어떻게 일반화하여 기호 수준 및 서열 수준의 오류를 모두 처리하는가?
• RQ5 DNA 저장 맥락에서 순서-서브셋 거리와 코드의 오류 수정 능력 간의 관계는 무엇인가?

주요 결과

• 순서-서브셋 거리는 삼각 부등식을 만족하여, 4기수 서열의 멱집합 위에서 타당한 메트릭으로서의 성립을 입증한다.
• 순서-서브셋 코드의 오류 수정 능력은 최소 거리에 의해 완전히 결정되며, 고전적 부호 이론과 유사하다.
• 최소 거리 $ d_{\min} = 2L $ 인 특수 케이스에 대해 날카로운 상한 경계를 도출하였으며, 이는 최적의 구성과 정확히 일치한다.
• 싱글턴 유사 경계가 확립됨: $ |C| \leq 2^{L(n - d + 1)} $, 이는 고전적 싱글턴 경계를 집합 기반 설정으로 일반화한 것이다.
• 플롯킨 유사 경계가 도출됨: $ |C| \leq \frac{2L}{2L - d_{\min}} \cdot 2^{L(n-1)} $, $ d_{\min} > 2L $ 인 경우에 유효하며, 고거리 제약 조건 하에서 코드 크기의 한계를 제공한다.
• 최소 거리 $ d_{\min} = 2L $ 인 경우에 대해 최적의 구성 방법을 제공하며, 알려진 가장 날카로운 상한 경계에 도달함으로써, 이 조건 하에서 최적 부호의 존재를 확인한다.