Shannons matematiska teori om kommunikation tillämpad på DNA-sekvensering

En av de stora obesjungna hjältarna inom 1900-talets vetenskap är Claude Shannon, ingenjör vid de berömda Bell Laboratories under dess storhetstid i mitten av 1900-talet. Shannons mest bestående bidrag till vetenskapen är informationsteori, som ligger till grund för all digital kommunikation.

I en berömd tidning från slutet av 1940-talet redogjorde Shannon för det grundläggande problemet med kommunikation: att vid en punkt i rymden återge ett budskap som har skapats vid en annan. Meddelandet kodas först på något sätt, sänds och avkodas sedan.

Shannons visade att ett meddelande alltid kan reproduceras vid en annan punkt i rymden med godtycklig precision förutsatt att bruset ligger under någon tröskelnivå. Han fortsatte med att räkna ut hur mycket information som kunde skickas på detta sätt, en egenskap som kallas kapaciteten hos denna informationskanal.

Shannons idéer har tillämpats brett på alla former av informationsöverföring med stor framgång. En särskilt intressant väg har varit tillämpningen av informationsteori på biologi - tanken att livet i sig är överföring av information från en generation till nästa.

Den typen av tänkande är pågående, revolutionerande och fortfarande i sina tidiga skeden. Det finns mycket att komma.

Idag tittar vi på en intressant följd inom området för biologisk informationsöverföring. Abolfazl Motahari och kompisar vid University of California, Berkeley, använder Shannons tillvägagångssätt för att undersöka hur snabbt information kan extraheras från DNA med hjälp av hagelgevärssekvensering.

Problemet här är att bestämma sekvensen av nukleotider (A, G, C och T) i ett genom. Det är tidskrävande eftersom genom tenderar att vara långa – till exempel består det mänskliga genomet av cirka 3 miljarder nukleotider eller baspar. Detta skulle ta en evighet att sekvensera i serie.

Så shotgun-metoden innebär att man skär genomet i slumpmässiga bitar, bestående av mellan 100 och 1 000 baspar, och sekvensera dem parallellt. Informationen limmas sedan ihop igen in silico genom en så kallad reassembly-algoritm.

Naturligtvis finns det inget sätt att veta hur man sätter ihop informationen från en enda läsning av genomet. Så i hagelgevärsmetoden upprepas denna process många gånger. Eftersom varje läsning delar upp genomet på ett annat sätt, överlappar bitar oundvikligen med segment från en tidigare körning. Dessa områden av överlappning gör det möjligt att återmontera hela genomet, som ett pussel.

Det luktar som ett klassiskt problem med informationsteori, och det är faktiskt många som har tänkt på det här. Motahari och co går dock ett steg längre genom att återge det mer eller mindre exakt som en analog till Shannons berömda tillvägagångssätt.

De säger att problemet med genomsekvensering i huvudsak är att reproducera ett meddelande skrivet i DNA, i ett digitalt elektroniskt format. I detta tillvägagångssätt är det ursprungliga meddelandet i DNA, det kodas för överföring genom läsningsprocessen, och sedan avkodas det av en återmonteringsalgoritm för att producera en elektronisk version.

Vad de bevisar är att det finns en kanalkapacitet som definierar en maximal hastighet för informationsflödet under sekvenseringsprocessen. Det ger det maximala antalet DNA-baspar som kan lösas per läsning, med vilken assembleralgoritm som helst, utan hänsyn till beräkningsbegränsningar, säger de.

Det är ett betydande resultat för alla som är intresserade av att sekvensera genom. En viktig fråga är hur snabbt en viss sekvenseringsteknik kan göra sitt jobb och om den är snabbare eller långsammare än andra tillvägagångssätt.

Det är inte möjligt att räkna ut just nu eftersom många av algoritmerna som används för montering är designade för specifika teknologier och metoder för läsning. Motohari och co säger att det finns minst 20 olika återmonteringsalgoritmer, till exempel. Det gör det svårt att jämföra olika algoritmer, menar de.

Följaktligen vet ingen riktigt vilken som är snabbast eller ens vilken som har potential att vara snabbast.

Det nya verket ändrar på detta. För första gången borde det vara möjligt att arbeta hur nära en given sekvenseringsteknik kommer den teoretiska gränsen.

Det skulle mycket väl kunna tvinga bort en död ved från detta område och stimulera en period av snabb innovation inom sekvenseringsteknik.

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

Dölj