[论文解读] Optimal Codes Correcting a Single Indel / Edit for DNA-Based Data Storage

Kui Cai, Yeow Meng Chee+3 more|arXiv (Cornell University)|Oct 15, 2019

DNA and Biological Computing参考文献 18被引用 19

一句话总结

本论文提出了首个针对纠正单个插入/删除或单个编辑的四元码的阶最优、线性时间编码器，其冗余度降低至⌈log n⌉ + 2比特，相比Tenengolts（1984）的构造减少了四个比特。此外，本文首次提出了已知的、可纠正单个编辑的GC-平衡DNA码构造，采用改进的Knuth平衡技术与一种新颖的基于校验的编码器，冗余度为3⌈log n⌉ + 2比特。

ABSTRACT

An indel refers to a single insertion or deletion, while an edit refers to a single insertion, deletion or substitution. In this paper, we investigate codes that combat either a single indel or a single edit and provide linear-time algorithms that encode binary messages into these codes of length n. Over the quaternary alphabet, we provide two linear-time encoders. One corrects a single edit with log n + O(log log n) redundancy bits, while the other corrects a single indel with log n + 2 redundant bits. These two encoders are order-optimal. The former encoder is the first known order-optimal encoder that corrects a single edit, while the latter encoder (that corrects a single indel) reduces the redundancy of the best known encoder of Tenengolts (1984) by at least four bits. Over the DNA alphabet, we impose an additional constraint: the GC-balanced constraint and require that exactly half of the symbols of any DNA codeword to be either C or G. In particular, via a modification of Knuth's balancing technique, we provide a linear-time map that translates binary messages into GC-balanced codewords and the resulting codebook is able to correct a single indel or a single edit. These are the first known constructions of GC-balanced codes that correct a single indel or a single edit.

研究动机与目标

• 设计高效、线性时间的四元码编码器，用于纠正单个插入/删除或编辑，优于先前的冗余度界限。
• 降低现有插入/删除纠正码的冗余度，特别是相比1984年Tenengolts构造至少减少四个比特。
• 构造首个可纠正单个编辑的GC-平衡DNA码，确保50%的GC含量以保障合成与测序的稳定性。
• 将纠错机制与实际DNA存储约束（如GC含量、高效编码/解码）相结合。
• 提供一种系统化、无需查表的码字平衡方法，采用改进的Knuth技术，避免使用大型查表。

提出的方法

• 提出一种新颖的四元编码器，用于单个插入/删除纠正，基于改进的Varshamov-Tenengolts构造，实现⌈log n⌉ + 2比特的冗余度。
• 引入基于校验的编码与解码机制，用于四元字母表上的单个编辑纠正，利用线性时间算法。
• 改进Knuth的平衡技术，通过在下层序列中存储平衡索引，生成GC-平衡码字，无需查表。
• 设计两段式编码器：首先使用Knuth方法平衡消息，然后利用线性时间编码器将校验和索引嵌入第二段二进制序列中。
• 使用二元线性码（编码器ℒ）将校验和索引嵌入下层序列，实现在组合码字中纠正单个编辑。
• 设计一种解码算法，通过分别纠正上层（平衡）序列和下层（校验-索引）序列中的编辑，恢复原始消息。

实验结果

研究问题

• RQ1 能否构造一种四元码，其冗余度为⌈log n⌉ + 2比特，可纠正单个插入/删除，优于1984年Tenengolts的构造？
• RQ2 能否设计一种线性时间编码器，用于单个编辑纠正的四元码，其冗余度在O(log n)比特范围内？
• RQ3 能否构造一种GC-平衡DNA码，可纠正单个编辑，同时保持精确的50% GC含量？
• RQ4 如何改进Knuth的平衡技术，以避免查表，同时在DNA码中保持纠错能力？
• RQ5 线性时间、GC-平衡、单个编辑纠正DNA码的最小冗余度是多少？

主要发现

• 所提出的单个插入/删除纠正编码器实现⌈log n⌉ + 2比特的冗余度，相比Tenengolts（1984）的最佳已知冗余度至少减少四个比特。
• 四元字母表上单个编辑纠正的编码器为阶最优，冗余度为⌈log n⌉ + O(log log n)比特。
• 首次构造出已知的、可纠正单个编辑的GC-平衡DNA码，冗余度为3⌈log n⌉ + 2比特。
• 所提出的编码器通过将平衡索引直接嵌入下层序列，避免了查表，实现了高效、无需查表的解码。
• 该方法实现了插入/删除与编辑纠正的线性时间编码与解码，适用于大规模DNA数据存储。
• 该构造确保所有码字恰好具有50%的GC含量，满足DNA合成与测序中关键的生物学约束。