[论文解读] Fundamental Limits of Pooled-DNA Sequencing

Amir Najafi, Damoun Nashta-ali+4 more|arXiv (Cornell University)|Apr 16, 2016

Gene expression and cancer classification参考文献 20被引用 4

一句话总结

本文建立了群体DNA测序的基本信息论极限，分析了在可靠重建密切相关的DNA分子时，所需DNA测序读段的最小数量和长度。在无噪声环境下，推导了完美组装的必要和充分条件，并提供了误差概率的紧致边界，表明随着测序读段数量的增加，可靠组装性能趋近于无噪声性能，同时提出了新颖的去噪方法和噪声读段的误差边界。

ABSTRACT

In this paper, fundamental limits in sequencing of a set of closely related DNA molecules are addressed. This problem is called pooled-DNA sequencing which encompasses many interesting problems such as haplotype phasing, metageomics, and conventional pooled-DNA sequencing in the absence of tagging. From an information theoretic point of view, we have proposed fundamental limits on the number and length of DNA reads in order to achieve a reliable assembly of all the pooled DNA sequences. In particular, pooled-DNA sequencing from both noiseless and noisy reads are investigated in this paper. In the noiseless case, necessary and sufficient conditions on perfect assembly are derived. Moreover, asymptotically tight lower and upper bounds on the error probability of correct assembly are obtained under a biologically plausible probabilistic model. For the noisy case, we have proposed two novel DNA read denoising methods, as well as corresponding upper bounds on assembly error probabilities. It has been shown that, under mild circumstances, the performance of the reliable assembly converges to that of the noiseless regime when, for a given read length, the number of DNA reads is sufficiently large. Interestingly, the emergence of long DNA read technologies in recent years envisions the applicability of our results in real-world applications.

研究动机与目标

• 确定可靠重建群体中密切相关的DNA分子所需的测序读段数量和长度的基本极限。
• 将群体DNA测序建模为通信问题，并在符合生物实际的随机模型下，推导误差概率的信息论边界。
• 研究测序噪声对组装可靠性的影响，并提出去噪策略以提升性能。
• 表明当测序读段数量足够多时，噪声环境下的组装性能趋近于无噪声情形。

提出的方法

• 使用多个密切相关的DNA分子上SNP的随机模型，将群体DNA测序形式化为统计推断问题。
• 通过组合与信息论分析，推导在无噪声环境下唯一且正确组装的必要和充分条件。
• 提出两种专为群体DNA测序场景设计的新颖DNA读段去噪方法。
• 利用大偏差分析和超立方体几何，建立正确组装误差概率的上下界。
• 通过冲突单倍型假设之间似然函数的Kullback-Leibler散度，分析误差的主导指数。
• 利用对称性和汉明距离上的二项式求和，计算出在M=2和M=3个体情况下的最坏情形误差指数的显式表达式。

实验结果

研究问题

• RQ1 在无测序错误的情况下，为保证群体DNA序列的可靠重建，所需的最小测序读段数量和长度是多少？
• RQ2 在SNP的现实随机模型下，正确组装的误差概率如何随读段长度和读段数量变化？
• RQ3 当测序读段受噪声污染时，群体DNA测序的根本性能极限是什么？
• RQ4 去噪技术能否显著提高群体DNA组装的可靠性？在噪声环境下，理论误差边界是什么？
• RQ5 随着读段数量的增加，误差指数的渐近行为如何？是否趋近于无噪声极限？

主要发现

• 在无噪声情况下，推导出所有群体DNA序列可实现完美重建的必要和充分条件。
• 建立了正确组装误差概率的渐近紧致上下界，显式依赖于读段长度和读段数量。
• 在噪声环境下，提出两种新颖的去噪方法，并推导出相应的组装误差概率上界。
• 最坏情形下的误差指数被证明与SNP数量κ无关，从而简化了渐近分析。
• 对于M=2名个体，误差指数为$ \mathcal{D}_1(\epsilon) = -\log\left(\frac{1}{2} + \sqrt{\epsilon(1-\epsilon)}\right) $；对于M=3名个体，其表达式为$ \mathcal{D}_1(\epsilon) = -\log\left(\frac{2}{3}\sqrt{1+\epsilon(1-\epsilon)}\left(\sqrt{2\epsilon(1-\epsilon)+\epsilon^2} + \sqrt{2\epsilon(1-\epsilon)+(1-\epsilon)^2}\right)\right) $。
• 在适度条件下，当读段数量增加而读段长度固定时，噪声环境下可靠组装的性能趋近于无噪声情形。