Shannons matematiske teori om kommunikation anvendt på DNA-sekventering

En af det 20. århundredes store ubesungne helte er Claude Shannon, en ingeniør ved de berømte Bell Laboratories under dens storhedstid i midten af ​​det 20. århundrede. Shannons mest varige bidrag til videnskaben er informationsteori, som understøtter al digital kommunikation.

I et berømt papir fra slutningen af ​​1940'erne redegjorde Shannon for det grundlæggende problem med kommunikation: at gengive, på et tidspunkt i rummet, et budskab, der er blevet skabt på et andet. Beskeden kodes først på en eller anden måde, transmitteres og afkodes derefter.

Shannons viste, at en besked altid kan gengives på et andet punkt i rummet med vilkårlig præcision, forudsat at støjen er under et eller andet tærskelniveau. Han fortsatte med at finde ud af, hvor meget information der kunne sendes på denne måde, en egenskab kendt som denne informationskanals kapacitet.

Shannons ideer er blevet anvendt bredt til alle former for informationstransmission med stor succes. En særlig interessant vej har været anvendelsen af ​​informationsteori på biologi - ideen om, at livet i sig selv er overførsel af information fra en generation til den næste.

Den type tænkning er igangværende, revolutionerende og stadig i sine tidlige stadier. Der er meget at komme efter.

I dag ser vi på en interessant konsekvens inden for biologisk informationsoverførsel. Abolfazl Motahari og venner ved University of California, Berkeley, bruger Shannons tilgang til at undersøge, hvor hurtigt information kan udvindes fra DNA ved hjælp af shotgun-sekventeringsprocessen.

Problemet her er at bestemme sekvensen af ​​nukleotider (A, G, C og T) i et genom. Det er tidskrævende, fordi genomerne har tendens til at være lange - for eksempel består det menneskelige genom af omkring 3 milliarder nukleotider eller basepar. Dette ville tage evigheder at rækkefølge i serie.

Så shotgun-tilgangen involverer at skære genomet i tilfældige stykker, bestående af mellem 100 og 1.000 basepar, og sekventere dem parallelt. Informationen limes derefter sammen igen i silico ved en såkaldt reassembly-algoritme.

Selvfølgelig er der ingen måde at vide, hvordan man samler informationen fra en enkelt læsning af genomet. Så i haglgeværtilgangen gentages denne proces mange gange. Fordi hver læsning opdeler genomet på en anden måde, overlapper stykker uundgåeligt med segmenter fra en tidligere kørsel. Disse overlapningsområder gør det muligt at samle hele genomet igen, som et puslespil.

Det lugter som et klassisk problem med informationsteori, og faktisk har forskellige mennesker tænkt over på denne måde. Motahari og co går dog et skridt videre ved at gentage det mere eller mindre nøjagtigt som en analog til Shannons berømte tilgang.

De siger, at problemet med genomsekventering i det væsentlige er at gengive en besked skrevet i DNA i et digitalt elektronisk format. I denne tilgang er den oprindelige meddelelse i DNA, den er kodet til transmission ved læsningsprocessen, og derefter afkodes den af ​​en gensamlingsalgoritme for at producere en elektronisk version.

Det, de beviser, er, at der er en kanalkapacitet, der definerer en maksimal hastighed for informationsflow under sekventeringsprocessen. Det giver det maksimale antal af DNA-basepar, der kan opløses pr. læsning, af enhver samlingsalgoritme, uden hensyntagen til beregningsmæssige begrænsninger, siger de.

Det er et væsentligt resultat for enhver, der er interesseret i at sekventere genomer. Et vigtigt spørgsmål er, hvor hurtigt en bestemt sekventeringsteknologi kan udføre sit arbejde, og om den er hurtigere eller langsommere end andre tilgange.

Det er ikke muligt at regne ud i øjeblikket, fordi mange af de algoritmer, der bruges til montering, er designet til specifikke teknologier og tilgange til læsning. Motohari og co siger, at der for eksempel er mindst 20 forskellige genmonteringsalgoritmer. Det gør det svært at sammenligne forskellige algoritmer, siger de.

Derfor ved ingen rigtig, hvad der er hurtigst eller endda som har potentialet til at være hurtigst.

Det nye værk ændrer på dette. For første gang skulle det være muligt at arbejde, hvor tæt en given sekventeringsteknologi kommer på den teoretiske grænse.

Det kunne meget vel tvinge en rydning ud af dødt træ fra dette område og stimulere en periode med hurtig innovation inden for sekventeringsteknologi.

Ref: arxiv.org/abs/1203.6233 : Informationsteori om DNA-sekventering

skjule