[论文解读] Approximate Trace Reconstruction

Sami Davies, Miklós Z. Rácz+2 more|arXiv (Cornell University)|Dec 12, 2020

DNA and Biological Computing参考文献 38被引用 7

一句话总结

本文提出了高效的近似迹重建算法，其目标是使用 $\mathrm{polylog}(n)$ 个迹而非精确重建所需的 $\exp(\widetilde{O}(n^{1/5}))$ 个迹，在编辑距离 $\varepsilon n$ 范围内重建字符串。针对具有长连续段的字符串类，该文提出基于迹对齐与集中不等式的算法，并建立了下界，表明对于 $0 < \delta < 1/3$，实现 $n^{1/3-\delta}$-近似重建至少需要 $n^{1+3\delta/2}/\mathrm{polylog}(n)$ 个迹。

ABSTRACT

In the usual trace reconstruction problem, the goal is to exactly reconstruct an unknown string of length $n$ after it passes through a deletion channel many times independently, producing a set of traces (i.e., random subsequences of the string). We consider the relaxed problem of approximate reconstruction. Here, the goal is to output a string that is close to the original one in edit distance while using much fewer traces than is needed for exact reconstruction. We present several algorithms that can approximately reconstruct strings that belong to certain classes, where the estimate is within $n/\mathrm{polylog}(n)$ edit distance, and where we only use $\mathrm{polylog}(n)$ traces (or sometimes just a single trace). These classes contain strings that require a linear number of traces for exact reconstruction and which are quite different from a typical random string. From a technical point of view, our algorithms approximately reconstruct consecutive substrings of the unknown string by aligning dense regions of traces and using a run of a suitable length to approximate each region. To complement our algorithms, we present a general black-box lower bound for approximate reconstruction, building on a lower bound for distinguishing between two candidate input strings in the worst case. In particular, this shows that approximating to within $n^{1/3 - δ}$ edit distance requires $n^{1 + 3δ/2}/\mathrm{polylog}(n)$ traces for $0&lt; δ&lt; 1/3$ in the worst case.

研究动机与目标

• 通过将精确恢复放松为在编辑距离 $\varepsilon n$ 内的近似恢复，解决降低字符串重建中迹复杂度的挑战。
• 为使用 $\mathrm{polylog}(n)$ 个迹甚至单个迹的特定字符串类，设计高效的算法。
• 建立近似重建所需迹数目的理论极限，尤其在最坏情况下。
• 提供一种计算高效且适用于DNA数据存储的近似重建框架。
• 通过表明近似在某些字符串类中可显著更高效，弥合近似与精确重建之间的差距。

提出的方法

• 利用迹中密集区域的对齐来估计原始字符串的子串，重点关注具有长连续相同位的字符串。
• 应用集中不等式与迹模式的经验平均值，以高置信度估计原始字符串的结构。
• 设计输出在 $n/\mathrm{polylog}(n)$ 编辑距离内的字符串的算法，对于大类字符串仅需 $O(\log n / \varepsilon^2)$ 个迹。
• 提出一种基于区分两个候选字符串的黑箱下界技术，扩展了现有的迹重建下界。
• 利用切尔诺夫不等式与概率分析，证明当对齐在不可区分块上失败时，错误重建的可能性极低。
• 通过将问题约化为区分两个具有长零连续段的字符串，构建最坏情况下的下界，需 $\Omega(n)$ 个迹。

实验结果

研究问题

• RQ1 能否以远少于精确重建所需的迹数实现近似迹重建？
• RQ2 是否存在某些字符串类，使得 $\mathrm{polylog}(n)$ 个迹足以实现 $\varepsilon n$-近似重建？
• RQ3 在最坏情况下，近似误差与迹复杂度之间存在何种根本权衡？
• RQ4 能否利用测度集中与迹对齐技术设计高效的近似重建算法？
• RQ5 对于任何字符串类，近似与精确重建之间是否存在可证明的迹复杂度分离？

主要发现

• 对于具有长连续段的字符串，算法仅需 $O(\log n / \varepsilon^2)$ 个迹即可实现 $n/\mathrm{polylog}(n)$ 编辑距离的近似。
• 对于某些结构化字符串类（如具有长连续1和孤立0的字符串），可实现单迹近似重建。
• 下界表明，对于 $0 < \delta < 1/3$，实现 $n^{1/3-\delta}$-近似重建至少需要 $n^{1+3\delta/2}/\mathrm{polylog}(n)$ 个迹。
• 该下界通过将问题约化为区分两个具有长零连续段的字符串而导出，需 $\Omega(n)$ 个迹。
• 对于某些字符串类（如汉明权重为 $n-1$ 的字符串），近似重建比精确重建严格更简单，因为后者需 $\Omega(n)$ 个迹才能精确恢复。
• 近似重建算法可能为精确重建提供洞见，特别是当未知字符串位于半径为 $k$ 的编辑球内时，此时 $n^{O(k)}$ 个迹可能已足够。