Where DNA data storage loses its bits

技術要約：「DNAデータストレージがビットを失う場所」

問題提起
DNAデータストレージは通常、純情報密度（合成されたヌクレオチドあたりのビット数）によって評価されており、これは0.33から1.8ビット/ヌクレオチド以上に上昇してきた。しかし、これらの指標には最適性のための標準的な参照基準が欠けている。現在の評価は、特定の実験において「どこで」情報が失われているのかを考慮できていない。サンプリングの非効率性、シーケンシングエラー、同期の問題（挿入/欠失）、および設計上の制約を区別するような、詳細な損失の計上がなければ、新しい符号化スキームが最適に近いのか、あるいは利得が化学的改善によるものか符号化によるものなのか、あるいは目標とする密度に対してどの程度のシーケンシングが必要なのかを判断することは不可能である。既存の容量限界は、理想的な独立エラーモデルや置換のみを想定した仮定に基づいていることが多いが、これらは現実のDNAストレージチャネルが持つ位置依存的、相関的、かつ切り詰められやすい性質を反映していない。

手法
著者らは、8つの研究から得られた620万個の生リードを含む17の公開データセット（アレイ法、光リソグラフィ法などの様々な合成技術と、Illumina、Nanoporeなどの様々なシーケンシングプラットフォームを網羅）を分析した。彼らのアプローチは、主に以下の3つの技術的柱で構成されている：

1. チャネル・フィッティング（Channel Fitting）: アライメント・ラティス上で期待値最大化（EM）アルゴリズムを用い、位置依存的な挿入・欠失・置換（IDS）チャネルを、生リードに対してフィッティングさせた。このモデルは、各ペイロード位置における欠失および置換の確率、幾何学的な挿入分布、および特定の置換カーネルを捉えるものである。
2. 情報理論的限界（Information-Theoretic Bounds）: フィットしたモデルに対して理論的限界を導出した。
   • 定理1: $k$ 個のリードを持つ位置依存モデルの容量に対する「サンドイッチ」境界を提供する。上限は「ジーニー（精霊）」が各リードのアライメントを明らかにできると仮定し、下限はリード長によって明かされないアライメントのエントロピーを考慮した同期損失項（$\Delta$）を差し引くものである。
   • 定理3および4: 同期損失が高いチャネルにおいて容量推定を厳密にするために、ブロックベースの境界（タイリング境界）を導入する。
   • 命題: 入力のユニークネスに関する条件と、シミュレーションを信頼区間に変換する方法を確立する。
3. 達成可能情報レート（AIRs）: 2つのデコーディング戦略を用いて、生リードから直接AIRsを測定した：
   • コンセンサス・デコーディング（Consensus Decoding）: デコード前にリードを整列させ、多数決を行う。
   • 結合ソフト・デコーディング（Joint Soft Decoding）: フィットしたチャネルモデルを用いてリードをソフトに結合する、新しいレシーバー。エラーの起きやすい化学組成に対しては疎なパイロット塩基を用い、反復的な信賴伝播法（belief propagation）を採用している。
4. モデルに基づく会計（Model-Based Accounting）: 2ビット/ヌクレオチドという理論的最大値に対し、情報を以下のカテゴリに分解して計上した：未読ストランド（ポアソン・サンプリング）、不均一なカバレッジ、ジーニー・エラー損失（アライメントが既知のエラー）、フルリード・ギャップ（切り詰められたリード）、ジーニー対AIR残差（同期およびレシーバーのミスマッチ）、およびインデックス・コスト。

主な貢献

• 詳細な損失計上: DNAストレージにおける情報損失のモデルに基づく最初の分解を提供し、17の異なるデータセットについて、サンプリング、カバレッジの偏り、切り詰め、および同期によって具体的に何ビット失われているかを定量化した。
• 実チャネルに対する容量限界: 置換のみを想定した従来の容量限界とは異なり、本研究はフィッティングされた位置依存的IDSチャネルに対する容量限界を証明し、理論的限界と実験的現実の間の溝を埋めた。
• 新しいレシーバー設計: 疎なパイロット塩基を利用する反復的ソフト・レシーバーを開発した。公開されている最良の手法（Trellis BMA）との事前指定されたペア比較において、このレシーバーは、8つの9つのデータセットにおいて、同一のファイルエラー率を達成するために必要なリード数を7〜42%削減した。
• オープンソース・フレームワーク: dnacap ソフトウェアパッケージのリリースにより、あらゆる新しいデータセットを、自身のフィッティングされた限界および損失プロファイルに対して評価することが可能となった。

主な結果

• 損失の支配要因: 低いシーケンシング深度でIlluminaを用いて読み取られた低エラーのアレイ・プールでは、損失はプールレベル（未読ストランド、不均一なカバレッジ、およびインデックス作成）によって支配されており、これらは0.2〜0.35 ビット/ヌクレオチドの損失となる。配列エラー（置換/欠失）の寄与は0.01 ビット未満であった。
• エラーの起きやすい化学組成: 光リソグラフィおよびNanoporeのデータでは、「ジーニー対AIR残差」（未知のアライメントとレシーバーのミスマッチによって隠された情報）が顕著であり、0.04〜0.26 ビット/ヌクレオチドの範囲であった。これは、より優れたレシーバーによって改善できる余地が多分にあることを示している。
• 設計上の制約: ホモポリマーエラーを避けるために連続した塩基を禁止する設計は、理論的な密度を約1.59 ビット/ヌクレオチドに制限し、これは制約のない2ビットの最大値に対して約0.41 ビットの損失を意味する。
• デコーディング性能: 提案された反復的ソフト・レシーバーは、エラーの起きやすいデータにおいてTrellis BMAを大幅に上回った。Nanoporeおよび光リソグラフィのデータにおいて、このレシーバーはTrellis BMAが83〜100%のファイルで失敗したカバレッジにおいて、ファイルの復元を達成した。アレイ・データにおいても、効果は小さかったものの依然として存在した。
• コスト分析: 現在の価格設定下（シーケンシングは合成に対して安価である）では、シングルリード・アーカイブのための最適な戦略は、高いカバレッジで密度を最大化することである。ソフト・デコーディングは、頻繁に読み取る場合、または安価でエラーの起きやすい合成化学を使用する場合における、コスト削減の手段となる。

意義と主張
本論文の主要な貢献は、フィッティングされたチャネル、理論的限界、および測定されたレートを統合し、あらゆるDNAストレージ実験をその固有の限界に対して位置づけるクロス・テクノロジー会計フレームワークであると主張している。著者らは、このアプローチによって、研究者が改善のための具体的な「レバー（操作可能な変数）」を特定できると断言している：

• Illumina/アレイ・システムの場合、利得は強力な符号化よりも、より均一な合成、より長いストランド（インデックス・コストを希釈するため）、またはすべてのリードを活用するレシーバーから得られる可能性が高い。
• 経年劣化したDNAの場合、主な損失は「フルリード・ギャップ（切り詰め）」であり、これは分子修復または部分的なリードを活用するレシーバーの必要性を示唆している。
• **エラーの起きやすい化学組成（Nanopore/光リソグラフィ）**の場合、ソフト・デコーディングが「ジーニー対AIR」の差分を回収できるため、レシーバー設計が決定的な要因となる。

著者らは、物理的なプールの絶対的な容量については、彼らの限界が「フィッティングされたモデル」に適用されるものであり、損失の分解はモデルに基づく分解であって、物理的な原因への一意な因果関係の帰属ではないことを述べ、控えめな姿勢を保っている。彼らは、本フレームワークが、特定の動作条件下における限界に対して現在のシステムがどの程度近いかを判断するための、統計的に制御されたベンチマークを提供することを強調している。