[论文解读] Deep DNA Storage: Scalable and Robust DNA Storage via Coding Theory and Deep Learning

Daniella Bar-Lev, Itai Orr+3 more|arXiv (Cornell University)|Aug 31, 2021

DNA and Biological Computing被引用 13

一句话总结

本文提出了一种基于深度学习与编码理论的新型DNA存储流水线，具备可扩展性和鲁棒性，整合了在模拟数据上训练的深度神经网络、基于张量积的纠错码（ECC）以及安全裕量机制。该方法在高噪声条件下实现了高达3200倍的速度提升和40%更高的准确率，码率为每碱基1.6比特，证明了其在商业DNA存储系统中的可行性。

ABSTRACT

DNA-based storage is an emerging technology that enables digital information to be archived in DNA molecules. This method enjoys major advantages over magnetic and optical storage solutions such as exceptional information density, enhanced data durability, and negligible power consumption to maintain data integrity. To access the data, an information retrieval process is employed, where some of the main bottlenecks are the scalability and accuracy, which have a natural tradeoff between the two. Here we show a modular and holistic approach that combines Deep Neural Networks (DNN) trained on simulated data, Tensor-Product (TP) based Error-Correcting Codes (ECC), and a safety margin mechanism into a single coherent pipeline. We demonstrated our solution on 3.1MB of information using two different sequencing technologies. Our work improves upon the current leading solutions by up to x3200 increase in speed, 40% improvement in accuracy, and offers a code rate of 1.6 bits per base in a high noise regime. In a broader sense, our work shows a viable path to commercial DNA storage solutions hindered by current information retrieval processes.

研究动机与目标

• 解决DNA数据检索中的可扩展性与准确性之间的权衡问题，该问题限制了其商业化可行性。
• 开发一个整合深度学习与纠错码的端到端流水线，以实现鲁棒的DNA存储。
• 提升在高噪声测序环境下的数据检索速度与准确性。
• 通过克服当前信息检索流程中的瓶颈，实现实用化的大规模DNA存储。
• 在真实高噪声条件下，实现每碱基1.6比特的码率。

提出的方法

• 在模拟DNA测序数据上训练深度神经网络（DNNs），以提升读出准确性。
• 采用基于张量积（TP）的纠错码（ECC）以提供结构化、可扩展的错误恢复能力。
• 集成安全裕量机制，以减少解码错误并提高可靠性。
• 设计模块化、端到端的流水线，将DNNs、ECC与安全裕量整合为一个统一的系统。
• 使用两种不同的测序技术对3.1MB数据进行系统验证。
• 针对高噪声环境进行系统优化，以确保在实际应用中的鲁棒性。

实验结果

研究问题

• RQ1 在模拟数据上训练的深度学习模型能否显著提升DNA数据检索的准确性？
• RQ2 基于张量积的纠错码在实现可扩展且高码率的DNA存储方面效果如何？
• RQ3 安全裕量机制对高噪声测序环境下的解码可靠性有何影响？
• RQ4 深度学习与编码理论的整合在多大程度上能够克服DNA存储中的可扩展性-准确性权衡？
• RQ5 所提出的流水线是否能在高噪声条件下实现每碱基1.6比特的码率，同时保持高速与高精度？

主要发现

• 所提出的系统在数据检索速度方面相比当前最先进的解决方案最高提升了3200倍。
• 在高噪声条件下，该系统在解码准确性方面相比最先进方法提升了40%。
• 实现了每碱基1.6比特的码率，显著高于许多先前方法，尤其在噪声环境中表现突出。
• DNNs、基于TP的ECC与安全裕量的集成，形成了一套鲁棒、可扩展且端到端优化的流水线。
• 该系统已成功在3.1MB数据上使用两种不同测序技术完成验证，证实了其在真实场景中的适用性。
• 本工作为克服信息检索中的关键瓶颈，提供了一条切实可行的、整体性的商业化DNA存储路径。