[论文解读] Properties and constructions of constrained codes for DNA-based data storage

Kees A. Schouhamer Immink, Kui Cai|arXiv (Cornell University)|Dec 14, 2018

DNA and Biological Computing参考文献 8被引用 10

一句话总结

本文提出一种基于二进制的DNA编码构造方法，可同时限制同聚物序列长度（最大长度为m）并平衡AT/GC含量，利用现有的二进制游程长度受限码与平衡码。结果表明，尽管四元码的冗余略低，但二进制方法在编码/解码复杂度上更简单，冗余开销可控，因此在DNA数据存储系统中更具实用性。

ABSTRACT

We describe properties and constructions of constraint-based codes for DNA-based data storage which account for the maximum repetition length and AT/GC balance. We present algorithms for computing the number of sequences with maximum repetition length and AT/GC balance constraint. We describe routines for translating binary runlength limited and/or balanced strings into DNA strands, and compute the efficiency of such routines. We show that the implementation of AT/GC-balanced codes is straightforward accomplished with binary balanced codes. We present codes that account for both the maximum repetition length and AT/GC balance. We compute the redundancy difference between the binary and a fully fledged quaternary approach.

研究动机与目标

• 通过限制同聚物序列长度和AT/GC不平衡性，解决对错误鲁棒的DNA数据存储的需求。
• 克服现有DNA编码方案的局限性，这些方案要么忽略AT/GC平衡，要么使用复杂的四元编码。
• 利用二进制中间码开发一种实用且低复杂度的编码框架，用于DNA序列生成。
• 在联合约束条件下，量化并比较二进制与直接四元编码方法的冗余性。
• 在保持高数据容量的同时，实现高效、可扩展的编码/解码，且查找表大小最小化。

提出的方法

• 使用四元字母表 {G=0, C=1, A=2, T=3} 表示DNA序列，AT含量通过权重函数 φ(u) 定义。
• 将四元序列分解为二进制分量：x = y + 2z，其中z决定AT/GC含量，y控制核苷酸身份。
• 对z序列应用二进制游程长度受限（RLL）码与平衡码，以强制实现最大同聚物序列长度m和AT/GC平衡。
• 利用高斯近似估计在联合约束下有效序列的数量，结合游程长度分布与方差 γ₄(m)。
• 通过渐近分析（n较大时）推导出二进制与四元方法的冗余表达式 r₂(m,a,n) 与 r₄(m,a,n)。
• 通过Q函数近似比较冗余差异，表明当m=2时，二进制方法的额外冗余为0.5–1比特；当m>6时，该差异可忽略。

实验结果

研究问题

• RQ1 如何高效编码DNA序列，以同时限制同聚物序列长度并维持AT/GC平衡？
• RQ2 在联合约束下，使用二进制中间码与直接四元编码相比，DNA序列的冗余代价是多少？
• RQ3 在联合游程长度与权重约束下，二进制方法的冗余性与四元方法相比如何？
• RQ4 高斯近似在多大程度上准确建模了受限四元序列中AT含量的分布？
• RQ5 在使用受限编码的DNA存储中，编码复杂度与信息容量之间的实际权衡是什么？

主要发现

• 使用中间二进制RLL码与平衡码的二进制DNA编码方法，相比直接四元编码，显著简化了编码与解码的查找表。
• 当m=2时，由于平衡约束，二进制与四元方法之间的冗余差异约为每码字0.5–1比特。
• 对于n>10，由游程长度约束引起的冗余差异远大于由平衡约束引起的差异，尤其在m较小时更为显著。
• 当m>6时，二进制与四元码之间的冗余差异变得可忽略，使二进制方法极具竞争力。
• 四元RLL序列中AT含量的方差比二进制RLL序列更集中于n/2附近，表明四元码具有更好的固有平衡性。
• 高斯近似（定理6）能可靠估计在联合约束下的有效序列数量，且在n较大时准确性更高。