[論文レビュー] Fundamental Limits of DNA Storage Systems

Reinhard Heckel, Ilan Shomorony+2 more|arXiv (Cornell University)|May 12, 2017

DNA and Biological Computing参考文献 9被引用数 4

ひとこと要約

この論文は、データが短い無順序のDNA分子に書き込まれ、PCR増幅によるランダムサンプリングで読み取られる現実的なモデル下で、DNAベースのアーカイブシステムの基本的格納容量を確立する。インデックスベースの符号化方式が情報理論的に最適であることを証明し、カバレッジ深さと分子長さが分子数に対して相対的に与えられる格納容量が決定されることを示し、高いカバレッジ深さが格納容量の増加に与える寄与は次第に小さくなり、一方でシーケンシングコストは著しく増加することを明らかにする。

ABSTRACT

Due to its longevity and enormous information density, DNA is an attractive medium for archival storage. In this work, we study the fundamental limits and tradeoffs of DNA-based storage systems under a simple model, motivated by current technological constraints on DNA synthesis and sequencing. Our model captures two key distinctive aspects of DNA storage systems: (1) the data is written onto many short DNA molecules that are stored in an unordered way and (2) the data is read by randomly sampling from this DNA pool. Under this model, we characterize the storage capacity, and show that a simple index-based coding scheme is optimal.

研究の動機と目的

• 現実的な技術的制約下におけるDNAベースのアーカイブシステムの基本的格納容量を特定すること。
• DNA格納システムにおける格納密度、シーケンシングコスト、カバレッジ深さの間のトレードオフを分析すること。
• 実際のシステムで一般的に用いられるインデックスベースの符号化方式が、情報理論的に最適であるかどうかを特定すること。
• 単位シーケンシングコストあたりの格納レートを最大化するカバレッジ深さの最適な動作点を特定すること。

提案手法

• 著者らは、M個の短いDNA分子が書き込まれ、N回の読み取りが一様にランダムに復元抽出され（PCR増幅によるランダムサンプリングを模倣）、これをチャネルとしてモデル化する。
• 誤りのない合成とシーケンシングを仮定し、信頼性を持って格納可能な最大ビット数（ヌクレオチドあたり）を格納容量として定義する。
• M → ∞ の漸近的領域解析を用い、分子長Lを log M に対して相対的にスケーリングし、β = lim L / log M でパrameter化する。
• 容量は Cs = (1 − e−c)(1 − 1/β) log 4 として導出され、ここで c = N/M はカバレッジ深さである。
• 合成やシーケンシングに誤りがないと仮定し、ランダムサンプリングによる有効な消去チャネルに問題を簡略化する。
• インデックスベースの符号化の最適性は、インデックス化にレート損失が生じず、このような方式が導出された容量に到達できることを示すことによって証明される。

実験結果

リサーチクエスチョン

• RQ1 ランダムサンプリングとPCR増幅の下で、DNAベースのシステムの基本的格納容量は何か？
• RQ2 実際のシステムで一般的に用いられるインデックスベースの符号化方式は、情報理論的に最適か？
• RQ3 分子長Lと分子数Mがどのように変化するか、特にLが log M に対して増加する場合に、格納容量はどのようにスケーリングするか？
• RQ4 格納レートとシーケンシングコストのバランスを取る最適なカバレッジ深さ c = N/M は何か？
• RQ5 実用的なDNA格納システムにおいて、格納レートと読み取りレート（すなわち、シーケンシングコスト）の最適なトレードオフは何か？

主な発見

• 格納容量は Cs = (1 − e−c)(1 − 1/β) log 4 で与えられ、ここで β = lim L / log M であり、c はカバレッジ深さである。
• β ≤ 1 であれば、正の格納レートは達成不可能であり、これは分子数に対して分子長の根本的な制限を示している。
• カバレッジ深さ c = 1 では最大格納レートの63%、c = 2 では86%、c = 3 では95%に達するが、これは中程度のc以降、増加の寄与が次第に小さくなることを示しており、劣化の増加が見られる。
• インデックスベースの符号化は情報理論的に最適であり、分子を識別するための固有のヘッダーを使用してもレート損失が生じない。
• 合成コストがシーケンシングコストの10,000〜100,000倍高い場合、1ビットあたりの最適コストは c ≈ 9.2 で達成され、これは深すぎるシーケンシングが無駄であることを示している。
• （Rs, Rr）の実現可能領域が同定され、中程度のカバレッジ深さが、コストと時間の最小化を図りながら、大部分の格納レートを達成できることを示している。