[論文レビュー] Codes for DNA Sequence Profiles

Han Mao Kiah, Gregory J. Puleo+1 more|arXiv (Cornell University)|Feb 2, 2015

DNA and Biological Computing参考文献 12被引用数 5

ひとこと要約

本稿では、合成誤りと配列決定誤りを統合した新規なDNAストレージチャネルモデルを提案し、DNA配列プロファイルに基づく非対称符号を用いて信頼性の高いデータ再構築を実現する。制限付きde BruijnグラフとEhrhart理論を活用して、有理数多面体内の整数点を数えることで、高い生体化学的安定性と基質レベルのノイズに対する耐性を持つ符号を設計し、グラフ理論的およびハイブリダイゼーションに基づく手法により正確な復号を達成する。

ABSTRACT

We consider the problem of storing and retrieving information from synthetic DNA media. The mathematical basis of the problem is the construction and design of sequences that may be discriminated based on their collection of substrings observed through a noisy channel. This problem of reconstructing sequences from traces was first investigated in the noiseless setting under the name of "Markov type" analysis. Here, we explain the connection between the reconstruction problem and the problem of DNA synthesis and sequencing, and introduce the notion of a DNA storage channel. We analyze the number of sequence equivalence classes under the channel mapping and propose new asymmetric coding techniques to combat the effects of synthesis and sequencing noise. In our analysis, we make use of restricted de Bruijn graphs and Ehrhart theory for rational polytopes.

研究の動機と目的

• 合成および配列決定のノイズ条件下におけるDNAベースストレージシステムにおける信頼性の高いデータ再構築の課題に対処すること。
• DNAストレージプロセスを、合成および配列決定中に置換誤りを引き起こし、カバレッジギャップを伴うチャネルとしてモデル化すること。
• ノイズ下でも区別可能なシーケンスプロファイルを保証する符号フレームワークを構築し、サブスクリプトからの正確な復号を可能にすること。
• プロファイルベクトルの制約と多面体の整数点数え上げを用いて、高い生体化学的安定性と非対称誤りに対する耐性を持つ符号を設計すること。
• グラフベースの再構築およびハイブリダイゼーションに基づく手法を用いて、不完全なカバレッジおよび配列決定誤り下でも実用的な復号を可能にすること。

提案手法

• 合成誤り（最大3％）、長距離リードにおける配列決定誤り（最大15％）、および非均一な断片化による欠落するサブスクリプトを含むDNAストレージチャネルモデルを導入する。
• すべての長さℓのサブスクリプトの個数を数えるベクトルとしてシーケンスプロファイルを定義し、符号理論的解析に適した擬距離空間を形成する。
• プロファイルおよび安定性制約下での符号サイズ推定を目的とした、有理数多面体内の整数点数え上げ問題として符号設計を定式化し、Ehrhart理論を用いてコードサイズを推定する。
• 制限付きde Bruijnグラフを用いてサブスクリプトの関係をモデル化し、バランスの取れた含有量と高い安定性を持つコードワードの構造的制約を導出する。
• ℓ-サブスクリプトおよび生体化学的制約下での実現可能なプロファイルベクトルを特徴付けるために、一般化された有理数制約（GRC）多面体形式を適用する。
• Euler路の再構築とハイブリダイゼーションに基づく手法を組み合わせた2通りの復号手順を開発し、ノイズのあるプロファイルから元のシーケンスを回復する。

実験結果

リサーチクエスチョン

• RQ1 合成および配列決定ノイズ下で、DNA配列プロファイルをどのように数学的にモデル化すれば、耐障害性のある符号設計が可能になるか？
• RQ2 特定のℓ-サブスクリプトおよび生体化学的制約（例：バランスの取れた含有量）下での有効なプロファイルベクトルの集合のサイズと構造は何か？
• RQ3 有理数多面体内の整数点数え上げを用いて、非対称誤りモデル下での符号サイズ推定と符号設計の指針を得るにはどうすればよいか？
• RQ4 DNAストレージにおいて、不完全でノイズのあるサブスクリプト集合から、元のシーケンスを効果的に再構築する戦略は何か？
• RQ5 コードワードの組成およびサブスクリプトの安定性に関する制約は、DNAストレージ符号の耐性および容量にどのように影響を与えるか？

主な発見

• ℓ-サブスクリプト制約下での異なるプロファイルベクトルの数は、Ehrhart理論を用いて推定され、漸近的符号サイズ解析が可能になる。
• GRC多面体の次元は |S| - |V(S)| である。ここで S はサブスクリプトの集合、V(S) はde Bruijnグラフの頂点集合を表す。これはコード空間の自由度の尺度を提供する。
• GRC多面体の内部は、線形制約を満たす正の成分を持つベクトルによって特徴付けられ、実現可能で安定したプロファイル構成を保証する。
• GRC多面体の頂点集合は、de Bruijnグラフにおける正規化されたサイクル指標と正確に一致し、コード構造とグラフのサイクルを結びつける。
• 著者らは、十分に離れたプロファイルベクトルを用いることで、合成および配列決定からの非対称誤りに耐性を持つコードを構築できることを証明した。
• Euler路に基づく復号とハイブリダイゼーションに基づく2通りの復号手順は、カバレッジギャップおよび配列決定誤り下でも効果的な再構築を示し、符号設計の実用性を裏付けた。