PALR-DNA: A Probability-Aware Latent Recovery Framework for Error-Resilient Image Storage in DNA

De wereld verzuipt in data. Elk jaar groeit de hoeveelheid informatie die we creëren zo snel dat onze huidige harde schijven en clou dservers moeite hebben om het bij te houden. We hebben een manier nodig om deze digitale geschiedenis op te slaan die compact genoeg is om alles in een kleine ruimte te passen en stabiel genoeg om eeuwenlang mee te gaan zonder elektriciteit te nodig te hebben. De natuur heeft dit probleem al opgelost. Al miljarden jaren slaan levende wezens hun blauwdrukken op in DNA, een molecuul dat informatie millennia lang kan bewaren als het onder de juiste omstandigheden wordt bewaard. Wetenschappers hebben beseft dat we ditzelfde biologische molecuul kunnen gebruiken om onze foto's, video's en documenten op te slaan. Het is echter moeilijk om DNA in een betrouwbare harde schijf te veranderen. Het proces van het schrijven van data naar DNA en het teruglezen ervan is imperfect. De chemische machinerie die wordt gebruikt voor de synthese en sequencing van het DNA maakt fouten, waarbij letters worden verwisseld, worden overgeslagen of extra worden toegevoegd. Wanneer deze fouten optreden, kan het digitale bestand dat ze vertegenwoordigen corrupt raken, waardoor een heldere foto verandert in een lappendeken van ruis of zelfs volledig verloren gaat.

Een team onderzoekers aan de Southeast University heeft een nieuwe methode ontwikkeld om deze fouten te herstellen, specifiek voor het opslaan van afbeeldingen. Ze noemen hun systeem PALR-DNA. In plaats van te proberen de DNA-sequentie perfect letter voor letter te reconstrueren voordat deze weer wordt omgezet in een afbeelding, omarmt hun aanpak de onzekerheid van het leesproces. Wanneer een DNA-streng wordt afgelezen, geeft de machine niet alleen een enkele, definitieve sequentie van letters uit; het produceert vaak een lijst met mogelijkheden voor elke positie, die aangeeft hoe waarschijnlijk het is dat een bepaalde letter correct is. Eerdere methoden negeerden deze "misschien"-antwoorden vaak, waardoor er te vroeg een beslissing werd genomen en waardevolle aanwijzingen verloren gingen. Het nieuwe framework houdt al die probabilistische informatie levend. Het behandelt de ruizige DNA-aflezing niet als een kapotte puzzel met ontbrekende stukjes, maar als een reeks aanwijzingen met verschillende gradaties van zekerheid. Door deze waarschijnlijkheden vast te houden, kan het systeem intelligentere gissingen doen over hoe de oorspronkelijke afbeelding eruitzag, zelfs wanneer de DNA-data zwaar beschadigd is.

De onderzoekers testten dit idee door de opslag en het ophalen van duizenden afbeeldingen te simuleren. Ze maakten foto's, zetten deze om in een gecomprimeerd digitaal formaat en vertaalden die data vervolgens naar DNA-sequenties. Om de veerkracht van het systeem te testen, introduceerden ze opzettelijk fouten in de DNA-data, om de soorten fouten na te bootsen die in echte laboratoriumomstandigheden voorkomen. Ze creëerden scenario's waarin de data corrupt raakte met percentages variërend van één procent tot vijf procent. In de wereld van DNA-opslag is een foutpercentage van vijf procent behoorlijk hoog en meestal catastrofaal voor de beeldkwaliteit. Het team draaide vervolgens hun nieuwe PALR-DNA-systeem tegen de data om te zien of het de oorspronkelijke foto's kon herstellen. Ze vergeleken hun resultaten met twee andere bestaande methoden die zijn ontworpen om DNA-fouten te herstellen. De bevindingen waren duidelijk: de nieuwe methode produceerde aanzienlijk scherpere en nauwkeurigere afbeeldingen dan de andere. Bij het hoogste foutpercentage van vijf procent, waar de andere methoden onscherpe, onherkenbare beelden produceerden, slaagde PALر-DNA erin de foto's te reconstrueren met een niveau van helderheid dat fijne details en kleuren behield.

Het geheim van dit succes ligt in de manier waarop het systeem het decodeerproces afhandelt. Wanneer het DNA wordt afgelezen, gebruikt het systeem een gespecialiseerd computermodel om naar de ruizige sequentie te kijken en de waarschijnlijkheid van elke mogelijke byte aan data op elke positie te voorspellen. In plaats van onmiddellijk de meest waarschijnlijke letter te kiezen, houdt het systeem een lijst met de beste kandidaten voor elke plek bij. Vervolgens gebruikt het een zoekstrategie om verschillende combinaties van deze kandidaten te verkennen, op zoek naar een sequentie die logisch zinvol is en een ingebouwde consistentiecontrole doorstaat. Deze controle fungeert als een digitale zegel, die verifieert dat de herstelde data overeenkomt met de regels die werden ingesteld toen de afbeelding oorspronkelijk werd opgeslagen. Als het systeem een perfecte match vindt, gebruikt het die. Maar als de schade te ernstig is en er geen perfecte match wordt gevonden, geeft het systeem niet op. Het kijkt naar de resterende waarschijnlijkheidsinformatie voor de beschadigde delen en maakt de beste schatting op basis van de meest waarschijnlijke beschikbare opties. Deze tweestapsbenadering stelt het systeem in staat om afbeeldingen te herstellen die anders verloren zouden gaan.

De studie toonde aan dat deze methode goed werkt bij verschillende soorten fouten. Of de DNA-data nu leed onder ontbrekende letters, extra letters of verwisselde letters, het systeem bleef robuust. De onderzoekers ontdekten dat hoe meer fouten ze introduceerden, hoe verder de nieuwe methode voorliep op de oudere technieken. Bij een foutpercentage van vijf procent bereikte het nieuwe systeem een specifieke maatstaf voor beeldkwaliteit die veel superieur was aan de alternatieven. Het slaagde erin de onderliggende structuur van de afbeeldingen met hoge precisie te herstellen, waarbij de visuele gelijkenis met het origineel zeer hoog bleef. De onderzoekers testten ook hoe verschillende instellingen de prestaties van het systeem beïnvloedden. Ze ontdekten dat het bijhouden van een grotere lijst met kandidaat-letters en het verkennen van meer combinaties leidde tot betere resultaten, hoewel dit meer rekenkracht vereiste. Ze identificeerden een "sweet spot" waar het systeem een balans vond tussen hoogwaardig herstel en een redelijke snelheid.

Dit werk suggereert dat het opslaan van afbeeldingen in DNA steeds praktischer wordt. Het vermogen om data te herstellen uit zwaar gecorrumpeerde sequenties betekent dat het fysieke opslagmedium niet perfect hoeft te zijn om perfecte resultaten te leveren. De onderzoekers merkten op dat hun tests simulaties waren, wat betekent dat ze computermodellen gebruikten om de fouten na te bootsen in plaats van daadwerkelijk fysiek DNA in een laboratorium te gebruiken. Hoewel de resultaten veelbelovend zijn, erkennen ze dat real-world biologische factoren, zoals ongelijkmatige chemische reacties of specifieke typen DNA-schade, nieuwe uitdagingen kunnen introduceren. Toekomstig werk zal dit systeem met echt gesynthetiseerd DNA en echte sequencingmachines moeten testen om de betrouwbaarheid in een fysieke omgeving te bevestigen. Voor nu biedt de studie een sterk bewijs van concept dat door te luisteren naar de onzekerheid in de data in plaats van deze te negeren, we opslagsystemen kunnen bouwen die veel veerkrachtiger zijn dan voorheen voor mogelijk werd gehouden.