[論文レビュー] Properties and constructions of constrained codes for DNA-based data storage

Kees A. Schouhamer Immink, Kui Cai|arXiv (Cornell University)|Dec 14, 2018

DNA and Biological Computing参考文献 8被引用数 10

ひとこと要約

本稿では、同時に最大長mのホモポリマー鎖の制限とAT/GC含有量のバランスを満たすDNAコードを構築するバイナリーベースの手法を提案する。既存のバイナリーランレングス制限付きおよびバランスコードを活用し、4進コードに比べてわずかに冗長性が大きいものの、エンコード/デコードがはるかに簡単で、冗長性の増加も抑えられるため、DNAデータストレージシステムにおいてより実用的である。

ABSTRACT

We describe properties and constructions of constraint-based codes for DNA-based data storage which account for the maximum repetition length and AT/GC balance. We present algorithms for computing the number of sequences with maximum repetition length and AT/GC balance constraint. We describe routines for translating binary runlength limited and/or balanced strings into DNA strands, and compute the efficiency of such routines. We show that the implementation of AT/GC-balanced codes is straightforward accomplished with binary balanced codes. We present codes that account for both the maximum repetition length and AT/GC balance. We compute the redundancy difference between the binary and a fully fledged quaternary approach.

研究の動機と目的

• ホモポリマー鎖の制限とAT/GC不均衡の両方を制約することで、エラー耐性のあるDNAベースのデータストレージのニーズに対応する。
• AT/GCバランスを無視するか、複雑な4進エンコードを用いる既存のDNAコーディング方式の限界を克服する。
• バイナリーバイナリーランレングス制限付きおよびバランスコードを中間として用いる、実用的で低複雑度のコーディングフレームワークを構築する。
• 併存する制約下でのバイナリーベースと直接4進コーディングの冗長性を定量化・比較する。
• 最小限のルックアップテーブルサイズを維持しながら、高容量を保ちつつ、効率的かつスケーラブルなエンコード/デコードを実現する。

提案手法

• DNA配列を {G=0, C=1, A=2, T=3} の4進アルファベットで表現し、AT含有量は重み関数 φ(u) で定義する。
• 4進配列を二進成分に分解する：x = y + 2z で、z がAT/GC含有量を決定し、y がヌクレオチドの同一性を制御する。
• z配列にバイナリーランレングス制限付き（RLL）およびバランスコードを適用し、最大ホモポリマー鎖長mとAT/GCバランスを強制する。
• ランレングス分布と分散 γ₄(m) を活用して、組み合わせ的制約下での有効な配列数をガウス近似で推定する。
• 大規模なnについての漸近的解析を用いて、バイナリーベースと4進ベースのアプローチの冗長性式 r₂(m,a,n) および r₄(m,a,n) を導出する。
• Q関数近似を用いて冗長性の差を比較し、m=2ではバイナリーベースが約0.5–1ビットの追加冗長性を示すが、m>6では無視できるほど小さいことを示す。

実験結果

リサーチクエスチョン

• RQ1 どのようにすれば、ホモポリマー鎖の制限とAT/GCバランスの両方を同時に満たす効率的なDNA配列のエンコードが可能か？
• RQ2 併存する制約下で、直接4進コーディングと比較してバイナリーベースの中間コードを用いる際の冗長性ペナルティはどの程度か？
• RQ3 ランレングスとウェイト制約が併存する条件下で、バイナリーベースの冗長性は4進ベースと比べてどの程度か？
• RQ4 ガウス近似は、制約付き4進配列におけるAT含有量の分布をどの程度正確にモデル化できるか？
• RQ5 制約付きコードを用いたDNAベースのストレージにおいて、エンコードの複雑度と情報容量の実用的トレードオフはどの程度か？

主な発見

• 中間としてバイナリーランレングス制限付きおよびバランスコードを用いるバイナリーベースのDNAコーディング手法は、直接4進コーディングと比較して、エンコード/デコード用のルックアップテーブルが著しく単純化される。
• m=2の場合、バランス制約によるバイナリーベースと4進ベースの冗長性差は、1ワードあたり約0.5–1ビットである。
• n>10の場合、ランレングス制約による冗長性差はバランス制約によるものよりも顕著に大きく、特にmが小さい場合顕著である。
• m>6では、バイナリーベースと4進ベースのコード間の冗長性差は無視できるほど小さくなり、バイナリーベースの手法が極めて競争力を持つようになる。
• 4進RLL配列におけるAT含有量の分散は、バイナリーランレングス制限付き配列よりもn/2の周囲に集中しており、4進コードが本質的により良いバランスを有していることを示している。
• ガウス近似（定理6）は、併存する制約下での有効な配列数を信頼できる精度で推定でき、nが大きくなるほど精度が向上する。