[论文解读] Encoding DNA sequences by integer chaos game representation

Changchuan Yin|arXiv (Cornell University)|Dec 12, 2017

Fractal and DNA sequence analysis被引用 7

一句话总结

本文提出了一种整数混沌游戏表示法（iCGR），将DNA序列编码为三个唯一整数——序列长度和两个坐标整数，实现无损压缩、加密和隐写术。该方法实现每碱基2比特的编码效率，相比标准8比特编码减少75%的存储需求，通过迭代整数映射碱基位置，完整保留序列信息。

ABSTRACT

DNA sequences are fundamental for encoding genetic information. The genetic information may not only be understood by symbolic sequences but also from the hidden signals inside the sequences. The symbolic sequences need to be transformed into numerical sequences so the hidden signals can be revealed by signal processing techniques. All current transformation methods encode DNA sequences into numerical values of the same length. These representations have limitations in the applications of genomic signal compression, encryption, and steganography. We propose an integer chaos game representation (iCGR) of DNA sequences and a lossless encoding method DNA sequences by the iCGR. In the iCGR method, a DNA sequence is represented by the iterated function of the nucleotides and their positions in the sequence. Then the DNA sequence can be uniquely encoded and recovered using three integers from iCGR. One integer is the sequence length and the other two integers represent the accumulated distributions of nucleotides in the sequence. The integer encoding scheme can compress a DNA sequence by 2 bits per nucleotide. The integer representation of DNA sequences provides a prospective tool for sequence compression, encryption, and steganography. The Python programs in this study are freely available to the public at https://github.com/cyinbox/iCGR

研究动机与目标

• 开发一种无损的DNA序列数值编码方法，实现高效压缩、加密和隐写术。
• 克服现有数值表示方法的局限性，即生成的序列长度与原始DNA相同，阻碍存储和处理效率。
• 基于碱基位置和类型，利用迭代函数系统建立DNA序列到整数的一一映射。
• 证明三元整数（n, X, Y）可唯一表示并完全重建任意DNA序列，不丢失信息。
• 通过每碱基仅编码2比特，相比标准表示法的8比特，显著降低存储需求。

提出的方法

• 将每个碱基（A、C、G、T）表示为二维正方形空间中的坐标向量，顶点分配为A=(1,1)，T=(-1,1)，C=(-1,-1)，G=(1,-1)。
• 使用迭代整数函数计算累积坐标：p_i,x = p_{i-1,x} + 2^{i-1} * α_{i,x}，y坐标同理。
• 将长度为n的DNA序列编码为三个整数：n（长度）、X（最终x坐标）和Y（最终y坐标），来自iCGR轨迹。
• 通过反向迭代解码：p_{i-1,x} = p_{i,x} - 2^{i-1} * α_{i,x}，利用坐标差值的符号恢复每个碱基。
• 采用碱基类型与坐标向量之间的一一映射，确保编码的唯一性和可逆性。
• 将该方法应用于真实基因组序列，包括人类珠蛋白基因，以验证压缩与重建的准确性。

实验结果

研究问题

• RQ1 DNA序列能否被无损地编码为三个整数，同时保留全部序列信息？
• RQ2 整数CGR表示法是否能实现显著优于标准8比特碱基编码的压缩效果？
• RQ3 编码与解码过程是否能通过三元整数表示的唯一性，在数据传输中检测错误？
• RQ4 iCGR方法是否适用于基因组应用，如加密和隐写术？
• RQ5 与传统方法相比，使用iCGR编码时每碱基的平均比特成本是多少？

主要发现

• iCGR方法将任意DNA序列编码为三个整数：序列长度n，以及两个坐标整数X和Y，实现完整重建。
• 该方法实现每碱基2比特的编码效率，相比8比特符号编码，存储需求减少75%。
• 对于Homo sapiens珠蛋白基因（171 bp），三元整数的总位数为349比特，相当于每碱基2.041比特。
• 编码为双射：每个DNA序列映射到唯一的三元整数集合，且每个三元整数集合可唯一解码回原始序列。
• 该方法具备内在错误检测能力，任何三元整数的损坏都会在解码时导致无效或不匹配的序列。
• iCGR表示法保留了原始序列的所有统计和结构特征，适用于基因组信号处理与分析。