[논문 리뷰] Encoding DNA sequences by integer chaos game representation

Changchuan Yin|arXiv (Cornell University)|2017. 12. 12.

Fractal and DNA sequence analysis인용 수 7

한 줄 요약

이 논문은 DNA 서열을 손실 없이 압축, 암호화, 스테가노그래피할 수 있도록 세 개의 고유한 정수—서열 길이와 두 개의 좌표 정수—로 표현하는 정수 카오스 게임 표현(iCGR)을 소개한다. 이 방법은 표준 8비트 인코딩 대비 75% 감소한 저장 필요량을 보이며, 각 뉴클레오티드당 2비트를 사용하여 전체 서열 정보를 반복적인 뉴클레오티드 위치의 정수 매핑을 통해 완전히 유지한다.

ABSTRACT

DNA sequences are fundamental for encoding genetic information. The genetic information may not only be understood by symbolic sequences but also from the hidden signals inside the sequences. The symbolic sequences need to be transformed into numerical sequences so the hidden signals can be revealed by signal processing techniques. All current transformation methods encode DNA sequences into numerical values of the same length. These representations have limitations in the applications of genomic signal compression, encryption, and steganography. We propose an integer chaos game representation (iCGR) of DNA sequences and a lossless encoding method DNA sequences by the iCGR. In the iCGR method, a DNA sequence is represented by the iterated function of the nucleotides and their positions in the sequence. Then the DNA sequence can be uniquely encoded and recovered using three integers from iCGR. One integer is the sequence length and the other two integers represent the accumulated distributions of nucleotides in the sequence. The integer encoding scheme can compress a DNA sequence by 2 bits per nucleotide. The integer representation of DNA sequences provides a prospective tool for sequence compression, encryption, and steganography. The Python programs in this study are freely available to the public at https://github.com/cyinbox/iCGR

연구 동기 및 목표

• 손실 없는 수치적 인코딩 방법을 개발하여 DNA 서열의 효율적 압축, 암호화, 스테가노그래피를 가능하게 한다.
• 기존 수치적 표현 방식이 원본 DNA 서열과 동일한 길이의 수열을 생성하여 저장 및 처리에 제약을 주는 문제를 해결한다.
• 뉴클레오티드 위치와 유형을 기반으로 한 반복 함수 시스템을 이용해 DNA 서열에 대한 일대일 정수 매핑을 구축한다.
• 세 정수(n, X, Y)가 어떤 DNA 서열이라도 정보 손실 없이 유일하게 표현하고 재구성할 수 있음을 입증한다.
• 표준 표현 방식 대비 각 뉴클레오티드를 오직 2비트로만 인코딩하여 저장 공간을 크게 절감한다.

제안 방법

• 각 뉴클레오티드(A, C, G, T)를 정점이 A=(1,1), T=(-1,1), C=(-1,-1), G=(1,-1)로 할당된 2차원 정사각형 공간 내의 좌표 벡터로 표현한다.
• 누적 좌표를 계산하기 위해 반복적인 정수 함수를 사용한다: p_i,x = p_{i-1,x} + 2^{i-1} * α_{i,x} (y좌표에 대해서도 동일하게 적용한다).
• 길이 n인 DNA 서열을 세 정수로 인코딩한다: n(길이), X(최종 x좌표), Y(최종 y좌표) — iCGR 궤적에서 유도된다.
• 역반복을 통해 서열을 디코딩한다: p_{i-1,x} = p_{i,x} - 2^{i-1} * α_{i,x}로 계산하며, 좌표 차이의 부호를 이용해 각 뉴클레오티드를 복원한다.
• 뉴클레오티드 유형과 좌표 벡터 사이의 일대일 매핑을 적용하여 고유하고도 역행 가능한 인코딩을 보장한다.
• 실제 게놈 서열, 예를 들어 인간 헤모글로빈 유전자를 대상으로 적용하여 압축 및 재구성 정확도를 검증한다.

실험 결과

연구 질문

• RQ1 모든 서열 정보를 유지하면서 DNA 서열을 세 정수로 손실 없이 인코딩할 수 있는가?
• RQ2 정수 CGR 표현 방식이 표준 8비트 뉴클레오티드 인코딩을 초월해 의미 있는 압축을 가능하게 하는가?
• RQ3 세 정수 표현의 유일성 덕분에 데이터 전송 중 오류를 인코딩 및 디코딩 과정에서 탐지할 수 있는가?
• RQ4 iCGR 방법은 암호화 및 스테가노그래피와 같은 게놈 응용 분야에 적합한가?
• RQ5 기존 방법 대비 iCGR 인코딩을 사용할 경우 뉴클레오티드당 평균 비트 비용은 얼마인가?

주요 결과

• iCGR 방법은 어떤 DNA 서열이라도 세 정수로 인코딩할 수 있으며, 즉 n(길이), X(최종 x좌표), Y(최종 y좌표)로 구성되며, 이를 통해 완전한 재구성이 가능하다.
• 이 방법은 뉴클레오티드당 2비트의 압축률을 달성하여, 표준 8비트 기호 인코딩 대비 저장 용량을 75% 감소시킨다.
• 인간 헤모글로빈 유전자(Homo sapiens globin gene, 171bp)의 경우, 세 정수의 총 비트 크기는 349비트로, 뉴클레오티드당 평균 2.041비트에 해당한다.
• 이 인코딩은 전단사적이다: 각 DNA 서열은 유일한 세 정수 조합으로 매핑되며, 각 세 정수 조합은 원본 서열로 유일하게 디코딩된다.
• 이 방법은 오류 탐지 기능을 내재하고 있으며, 세 정수 중 어느 하나라도 손상되면 디코딩 시 유효하지 않거나 일치하지 않는 서열이 발생한다.
• iCGR 표현 방식은 원본 서열의 모든 통계적 및 구조적 특성을 유지하므로, 게놈 신호 처리 및 분석에 활용할 수 있다.