[论文解读] Codes for DNA Sequence Profiles

Han Mao Kiah, Gregory J. Puleo+1 more|arXiv (Cornell University)|Feb 2, 2015

DNA and Biological Computing参考文献 12被引用 5

一句话总结

本文提出了一种新颖的DNA存储信道模型，整合了合成与测序错误，提出基于DNA序列轮廓的非对称码，以确保可靠的数据重建。通过利用受限de Bruijn图和Ehrhart理论对有理多面体中的整数点进行计数，作者设计出具有高生化稳定性和对底物级噪声强鲁棒性的码，借助图论与基于杂交的方法实现精确解码。

ABSTRACT

We consider the problem of storing and retrieving information from synthetic DNA media. The mathematical basis of the problem is the construction and design of sequences that may be discriminated based on their collection of substrings observed through a noisy channel. This problem of reconstructing sequences from traces was first investigated in the noiseless setting under the name of "Markov type" analysis. Here, we explain the connection between the reconstruction problem and the problem of DNA synthesis and sequencing, and introduce the notion of a DNA storage channel. We analyze the number of sequence equivalence classes under the channel mapping and propose new asymmetric coding techniques to combat the effects of synthesis and sequencing noise. In our analysis, we make use of restricted de Bruijn graphs and Ehrhart theory for rational polytopes.

研究动机与目标

• 解决在存在合成与测序噪声条件下，基于DNA的存储系统中可靠数据重建的挑战。
• 将DNA存储过程建模为一种信道，该信道在合成与测序过程中引入替换错误，并伴有覆盖间隙。
• 设计一种编码框架，即使在存在噪声的情况下也能确保可区分的序列轮廓，从而实现从子串中准确解码。
• 通过轮廓向量约束与多面体计数，设计出具有高生化稳定性与对非对称错误鲁棒性的码。
• 通过基于图的重建与测序-杂交技术，实现在不完整覆盖与测序错误条件下的实际解码。

提出的方法

• 提出一种DNA存储信道模型，可捕捉高达3%的合成错误、高达15%的长读长测序错误，以及由于非均匀断裂导致的子串缺失。
• 将序列轮廓定义为长度为ℓ的所有子串的计数向量，在适合编码理论分析的伪度量空间中进行建模。
• 将码设计问题形式化为有理多面体中的整数点计数问题，利用Ehrhart理论在轮廓与稳定性约束下估算码的大小。
• 利用受限de Bruijn图建模子串之间的关系，并推导出具有平衡组成与高稳定性码字的结构约束。
• 应用广义有理约束（GRC）多面体形式化方法，表征在ℓ-子串与生化约束下可行的轮廓向量。
• 开发两种结合de Bruijn图上的欧拉路径重建与基于杂交方法的解码程序，以从噪声轮廓中恢复原始序列。

实验结果

研究问题

• RQ1 如何对DNA序列轮廓进行数学建模，以实现在合成与测序噪声下的鲁棒编码？
• RQ2 在特定ℓ-子串与生化约束（如平衡组成）下，有效轮廓向量集合的大小与结构是什么？
• RQ3 如何利用有理多面体中的整数点计数来估算码的大小，并在非对称错误模型下指导码的构造？
• RQ4 哪些解码策略能有效从不完整、噪声的子串集合中重建原始DNA序列？
• RQ5 码字组成与子串稳定性的约束如何影响DNA存储码的鲁棒性与容量？

主要发现

• 利用Ehrhart理论估算在ℓ-子串约束下不同轮廓向量的数量，从而实现码大小的渐近分析。
• GRC多面体的维数为|S| - |V(S)|，其中S为子串集合，V(S)为de Bruijn图的顶点集，为码空间自由度提供度量。
• GRC多面体的内部由严格满足线性约束的正向量构成，确保可行且稳定的轮廓配置。
• GRC多面体的顶点集恰好对应de Bruijn图中的归一化环指标，将码结构与图的环联系起来。
• 作者证明，当轮廓向量之间距离足够远时，可用来构建对合成与测序引起的非对称错误具有鲁棒性的码。
• 两种解码程序——基于欧拉路径与基于杂交的方法——在存在覆盖间隙与测序错误时仍能有效重建原始序列，验证了码设计的实际可行性。