《Advanced Intelligent Discovery》：Majority-Voting Overlapping Method for Error Correction in DNA Data Storage
编辑推荐：
可靠的错误校正对于实际的脱氧核糖核酸（DNA）数据存储至关重要，因为在合成、扩增和测序过程中引入的替换错误会影响数据完整性。研究人员在此开发了一种专门针对DNA编码信息的基于重叠的错误校正方法。通过将同一DNA片段的多个独立测序读段进行比对，并在每个核苷酸位置
可靠的错误校正对于实际的脱氧核糖核酸（DNA）数据存储至关重要，因为在合成、扩增和测序过程中引入的替换错误会影响数据完整性。研究人员在此开发了一种专门针对DNA编码信息的基于重叠的错误校正方法。通过将同一DNA片段的多个独立测序读段进行比对，并在每个核苷酸位置应用多数投票算法，该方法无需预先了解错误分布，即可有效抑制随机和异质性替换错误。此外，该方法在具有受控错误率的合成DNA序列上得到了系统验证，即使在高替换水平下也表现出稳健性能。并且，该方法在应用于DNA编码二值图像的真实桑格测序和下一代测序数据时，实现了高保真重建，突显了其实用性。总体而言，这些结果表明基于重叠的校正是一种简单、可扩展且强大的策略，能够增强DNA数据存储的准确性和可靠性，为基于DNA的稳健且经济高效的存档技术铺平了道路。
**研究背景**
DNA数据存储技术凭借其超高的存储密度和长期保存潜力，被视为替代传统磁介质或固态介质的变革性方案。然而，实际应用中关键在于解决合成、扩增和测序过程中引入的替换错误，这些错误会破坏数据完整性。传统纠错策略（如Reed–Solomon编码（RS编码）、汉明码、喷泉码）依赖预定义错误模型和固定纠错阈值，在错误率超出纠错容量或错误分布不均匀（常见于真实测序数据）时效能骤降，且通常需要添加大量冗余，增加了合成与测序成本。近期探索的深度学习方法虽能建模复杂非均匀错误，但依赖于大规模高质量训练数据集和平台特异性错误特征，限制了其跨测序条件的通用性。因此，亟需一种无需先验错误分布、不依赖复杂解码算法且与底层编码方案无关的简单可扩展的方法。
**研究内容与意义**
研究人员开发了一种基于重叠的多数投票错误校正方法，专用于DNA编码信息。该方法利用同一DNA片段经现代测序流程获得的多个独立读段，通过比对并在每个核苷酸位置实施多数投票算法，有效抑制随机和异质性替换错误。该方法在合成DNA序列（长度50–150 nt）的控制错误率条件下展现出稳健性能，即便平均错误率超过40%也能保持高序列一致性。在真实桑格测序（4次测序）和下一代测序（Next-Generation Sequencing, NGS）（10次测序）数据中，方法可靠恢复了原始序列，实现了对编码二值图像的接近完美的重建。此项研究表明，基于重叠的校正是一种简单、可扩展且强大的策略，显著提升了DNA数据存储的准确性和可靠性，为建立稳健、低成本的基于DNA的存档技术奠定了基础。该论文发表在《Advanced Intelligent Discovery》。
**关键技术方法**
关键技术方法包括：(1) 重叠多数投票算法：将同一DNA片段的多个独立测序读段进行比对，在每个核苷酸位置选取出现最频繁的碱基作为共识，无需错误分布先验知识；(2) 随机化DNA编码方案：采用R∞-P8和R∞-B16设计规则，将二进制图像数据映射为DNA序列（例如使用R∞-P8将4位二进制映射为2个核苷酸，R∞-B16将十六进制数字映射为2个核苷酸二聚体）；(3) 样本队列：合成DNA序列由Integrated DNA Technologies（IA, USA）合成；用于桑格测序的D05链（135 nt）及用于NGS的12个片段（d01–d12，各57 nt）均来自同一样本池。
**研究结果**
**2.1 Overview of the Overlapping Method for Denoising Pixelated Images**
研究人员通过像素化二值图像展示了重叠方法的原理：从原始n×n图像生成多个加噪图像，定义噪声百分比η，对每个像素位置在所有噪声图像中采用多数投票确定正确值（黑色或白色），得到去噪图像。一致性百分比（I）用于量化恢复的准确度。
**2.2 Application to Pixelated Images with a Fixed Noise Percentage**
固定噪声百分比下，随噪声图像数量N增加，去噪图像I提高。对于50×50图像（η=20%），N从5增至50时I显著上升；对于100×100图像（η=40%），类似趋势出现。当η=50%时，无论N如何增大，I均维持在约50%，表明二值数据在50%噪声下无法准确恢复。
**2.3 Application to Pixelated Images with Varied Noise Percentages**
在变化噪声百分比条件下，研究人员生成了含不同噪声水平的噪声图像集，平均噪声百分比?η?越高，I越低，但增加N仍可提升去噪性能。与固定噪声条件相比，I值差异极小，表明重叠方法对异质性噪声分布保持稳健。
**2.4 Overview of the Overlapping Method for Correcting DNA-Based Sequences**
方法扩展至DNA序列：从原始长度为L的DNA序列生成多个错误序列（替换错误百分比η可固定或变化），通过比对错误序列并在每个位置取多数投票得到校正序列，用I评估校正后与原始序列的匹配度。
**2.5 Application to DNA-Based Sequences with Fixed and Varied Error Percentages**
固定错误率（η=40%）时，I与序列长度L无关（L=50、100、150），且随N增大而提升。错误率η≤20%时，I对N不敏感；但当η>40%时，I显著依赖N。在η=50%时，I随N增大明显提升（与二值图像不同，四元系统中有更好表现）。变化错误率条件下，包含混合错误水平的序列集与固定平均错误率的序列集相比，I无显著差异，证明方法对异质性错误的鲁棒性。
**2.6 Comparison with RS, DnCNN, and Overlapping Method**
将MNIST数字2的32×32像素二值图像（1024比特）编码为512 nt DNA序列。10个含20%替换错误的序列分别用RS码（码率0.42）、DnCNN深度学习模型以及重叠方法处理。结果显示，RS码和DnCNN的平均I与处理的图像数量无关；重叠方法在N=5和N=10时分别获得98.1%–100%的I，随N增大准确性提升。
**2.7 Application in Sanger Sequencing**
将MNIST数字2图像编码为516 nt DNA序列，选取D05负载（86 nt）进行PCR扩增和4次桑格测序。测序错误率η为3%–12%（例如D05-4中η≈12%，11个错误）。经重叠方法校正后，最终序列与原始数据的一致性达98%。
**2.8 Application in NGS**
将30×30像素狗的二值图像（182字节BMP格式，1456比特）编码为730 nt DNA序列，分为12个57 nt负载片段（d01–d12），经Illumina iSeq100测序。选取d01片段的10条读段（含错误），应用重叠方法校正后，校正序列与原始编码DNA的I为100%。
**总结讨论**
研究人员认为，基于重叠的纠错提供了一种简单而强大的解决方案，通过利用测序中固有的冗余，在不依赖预定义错误模型或复杂解码算法的情况下有效抑制随机和异质性替换错误。该方法在合成序列和真实测序数据中均展示了稳健性和可扩展性，直接弥补了当前DNA存储系统中纠错策略的关键局限。重叠校正被视为一种实用且经济高效的方法，可确保DNA存档技术中的数据完整性。该方法与常规纠错码（如RS码、LDPC码）高度兼容，能够实现编码级保护与测序后共识校正的混合策略，以增强可靠性。未来工作将探索将重叠校正集成到先进编码方案和测序平台，并扩展至多样化数据类型和实际存档场景。
**研究结论（翻译自原文Conclusion）**
本研究表明，基于重叠的错误校正为DNA数据存储中的替换错误提供了一种简单而强大的解决方案。通过比对同一DNA编码信息的多个噪声读段并进行基于共识的校正，研究人员的方法无需依赖预定义错误模型或复杂解码算法，即可有效抑制随机和异质性错误。对合成序列以及来自桑格测序和下一代测序（NGS）的真实测序数据的系统验证证实，重叠方法能够可靠地重建原始序列，即便在较高错误率下也能达到高一致性。这些发现表明重叠方法具有稳健性和可扩展性，直接解决了当前DNA存储系统中纠错策略的关键局限。
