[論文レビュー] Sequence-Subset Distance and Coding for Error Control in DNA-based Data Storage

Wentu Song, Kui Cai+1 more|arXiv (Cornell University)|Sep 16, 2018

DNA and Biological Computing参考文献 15被引用数 7

ひとこと要約

本稿では、ハミング距離を順序のないDNA配列の集合へ一般化する新しい距離計測法であるシーケンスサブセット距離を導入し、DNAベースのデータストレージにおける誤り訂正符号の統合的設計フレームワークを可能にする。著者らは、最小距離によって完全に決定される誤り訂正能力を持つシーケンスサブセット符号を提案し、シングルトン型およびプロットキン型の理論的上限を確立するとともに、特定のケースにおける最適構成も提示する。

ABSTRACT

The process of DNA-based data storage (DNA storage for short) can be mathematically modelled as a communication channel, termed DNA storage channel, whose inputs and outputs are sets of unordered sequences. To design error correcting codes for DNA storage channel, a new metric, termed the sequence-subset distance, is introduced, which generalizes the Hamming distance to a distance function defined between any two sets of unordered vectors and helps to establish a uniform framework to design error correcting codes for DNA storage channel. We further introduce a family of error correcting codes, referred to as \emph{sequence-subset codes}, for DNA storage and show that the error-correcting ability of such codes is completely determined by their minimum distance. We derive some upper bounds on the size of the sequence-subset codes including a tight bound for a special case, a Singleton-like bound and a Plotkin-like bound. We also propose some constructions, including an optimal construction for that special case, which imply lower bounds on the size of such codes.

研究の動機と目的

• プーリングおよびシークエンシングプロセスにより入力と出力が順序のない配列の集合となるDNAベースのデータストレージにおける誤り制御の課題に対処すること。
• シーケンスの削除、挿入、および文字レベルの置換を含む誤りを含む、DNAストレージチャネルを通信システムとしてモデル化すること。
• 誤り訂正符号の設計を一貫的に可能にするために、ハミング距離を順序のない配列の集合へ一般化する新しい距離計測法、すなわちシーケンスサブセット距離を提案すること。
• シングルトン型およびプロットキン型の上限のような上界を通じて、与えられた最小距離を持つシーケンスサブセット符号の最大サイズに関する理論的限界を確立すること。また、下界を与える構成も提示すること。

提案手法

• 2つの配列集合間の距離として、対応する配列間の最小ハミング距離の和に加え、一致しない配列に対するペナルティを加えた、シーケンスサブセット距離 $ d_S(X_1, X_2) $ を定義する。
• シーケンスサブセット符号の最小距離を、任意の2つの異なるコドワード間の最小シーケンスサブセット距離として定義し、これが符号の誤り訂正能力を完全に決定することを示す。
• シングルトン型の上限を導出：$ |C| \leq 2^{L(n-d+1)} $、アルファベットサイズ4、長さ $ n $、最小距離 $ d $ の符号に対して有効。
• プロットキン型の上限を導出：$ |C| \leq \frac{2L}{2L - d_{\min}} \cdot 2^{L(n-1)} $、$ d_{\min} > 2L $ の場合に有効。
• 最小距離 $ d_{\min} = 2L $ の特殊ケースに対して最適構成を提供し、既知で最もきつい上界に到達することを確認。
• 集合間の配列をマッチングベースで割り当てることで距離を計算し、三角不等式が成立することを保証することで、距離計測法の妥当性を裏付ける。

実験結果

リサーチクエスチョン

• RQ1 誤り訂正符号設計を可能にするために、順序のないDNA配列の集合間で一貫性のある距離計測法をどのように定義できるか？
• RQ2 与えられた最小距離を持つシーケンスサブセット符号の最大サイズに関する理論的上限は何か？
• RQ3 特定のシーケンスサブセット符号のケースにおいて、理論的上界に到達する最適構成を導出できるか？
• RQ4 シーケンスサブセット距離は、古典的なハミング距離をどのように一般化し、文字レベルおよびシーケンスレベルの両方の誤りを扱えるか？
• RQ5 DNAストレージの文脈において、シーケンスサブセット距離と符号の誤り訂正能力の関係は何か？

主な発見

• シーケンスサブセット距離は三角不等式を満たし、4文字のシーケンスのべき集合上での有効な距離計測法であることが保証された。
• シーケンスサブセット符号の誤り訂正能力は、最小距離によって完全に決定され、古典的符号理論と同様の性質を示す。
• 最小距離 $ d_{\min} = 2L $ の特殊ケースにおいて、きつい上界が導出され、最適構成と一致することが確認された。
• シングルトン型の上限が確立された：$ |C| \leq 2^{L(n - d + 1)} $、これは古典的なシングルトン上限を集合ベースの設定に一般化したものである。
• プロットキン型の上限が導出された：$ |C| \leq \frac{2L}{2L - d_{\min}} \cdot 2^{L(n-1)} $、$ d_{\min} > 2L $ の場合に有効であり、高距離制約下での符号サイズの上限を示す。
• 最小距離 $ d_{\min} = 2L $ の場合に最適構成が提供され、既知で最もきつい上界に到達しており、この条件下での最適符号の存在を裏付けた。