Šenona komunikācijas matemātiskā teorija, ko izmanto DNS sekvencēšanai

Viens no izcilākajiem 20. gadsimta zinātnes neapdziedātajiem varoņiem ir Klods Šenons, inženieris slavenajā Bell Laboratories tās ziedu laikos 20. gadsimta vidū. Šenonas visizturīgākais ieguldījums zinātnē ir informācijas teorija, kas ir visas digitālās komunikācijas pamatā.

Slavenā 1940. gadu beigās Šenona izklāstīja komunikācijas pamatproblēmu: vienā telpas punktā reproducēt vēstījumu, kas ir radīts citā. Ziņojums vispirms tiek kaut kādā veidā kodēts, pārsūtīts un pēc tam dekodēts.

Šenons parādīja, ka ziņojumu vienmēr var reproducēt citā telpas punktā ar patvaļīgu precizitāti, ja troksnis ir zem noteikta sliekšņa līmeņa. Viņš turpināja noskaidrot, cik daudz informācijas varētu nosūtīt šādā veidā, kas pazīstams kā šī informācijas kanāla kapacitāte.

Šenona idejas ar lieliem panākumiem ir plaši pielietotas visos informācijas pārraides veidos. Viena īpaši interesanta iespēja ir bijusi informācijas teorijas pielietošana bioloģijā – ideja, ka pati dzīve ir informācijas nodošana no vienas paaudzes uz nākamo.

Šāda veida domāšana turpinās, ir revolucionāra un joprojām ir agrīnā stadijā. Daudz kas ir priekšā.

Šodien mēs aplūkojam interesantu secinājumu bioloģiskās informācijas pārraides jomā. Ābolfazls Motahari un draugi Kalifornijas universitātē Bērklijā izmanto Šenona pieeju, lai pārbaudītu, cik ātri informāciju var iegūt no DNS, izmantojot bises sekvencēšanas procesu.

Problēma šeit ir noteikt nukleotīdu secību (A, G, C un T) genomā. Tas ir laikietilpīgi, jo genomi mēdz būt gari – piemēram, cilvēka genoms sastāv no aptuveni 3 miljardiem nukleotīdu vai bāzes pāru. Lai to secinātu sērijās, būtu nepieciešams uz visiem laikiem.

Tātad bises pieeja ietver genoma sagriešanu nejaušos gabalos, kas sastāv no 100 līdz 1000 bāzes pāriem, un paralēli to sekvencēšanu. Pēc tam informācija tiek atkal salīmēta kopā in silico izmantojot tā saukto montāžas algoritmu.

Protams, nav iespējams zināt, kā no jauna apkopot informāciju no viena genoma nolasījuma. Tātad bises pieejā šis process tiek atkārtots daudzas reizes. Tā kā katrs lasījums sadala genomu atšķirīgā veidā, gabali neizbēgami pārklājas ar segmentiem no iepriekšējās darbības. Šīs pārklāšanās vietas ļauj no jauna salikt visu genomu, piemēram, mozaīkmīklu.

Tā smaržo pēc klasiskas informācijas teorijas problēmas, un par to patiešām ir domājuši dažādi cilvēki. Tomēr Motahari un citi sper soli tālāk, atkārtojot to vairāk vai mazāk precīzi kā Šenona slavenās pieejas analogu.

Viņi saka, ka genoma sekvencēšanas problēma būtībā ir DNS ierakstīta ziņojuma reproducēšana digitālā elektroniskā formātā. Šajā pieejā sākotnējais ziņojums atrodas DNS, tas tiek kodēts pārsūtīšanai lasīšanas procesā, un pēc tam tas tiek dekodēts ar atkārtotas montāžas algoritmu, lai izveidotu elektronisku versiju.

Viņi pierāda, ka pastāv kanāla jauda, ​​kas nosaka maksimālo informācijas plūsmas ātrumu sekvencēšanas procesa laikā. Viņi saka, ka tas sniedz maksimālo DNS bāzes pāru skaitu, ko var atrisināt vienā nolasījumā, izmantojot jebkuru montāžas algoritmu, neņemot vērā skaitļošanas ierobežojumus.

Tas ir nozīmīgs rezultāts ikvienam, kas interesējas par genomu sekvencēšanu. Svarīgs jautājums ir par to, cik ātri jebkura noteikta sekvencēšanas tehnoloģija var veikt savu darbu un vai tā ir ātrāka vai lēnāka nekā citas pieejas.

Šobrīd to nav iespējams noskaidrot, jo daudzi montāžai izmantotie algoritmi ir paredzēti konkrētām tehnoloģijām un lasīšanas pieejām. Motohari un co saka, ka ir, piemēram, vismaz 20 dažādi montāžas algoritmi. Viņi saka, ka tas apgrūtina dažādu algoritmu salīdzināšanu.

Līdz ar to neviens īsti nezina, kurš ir ātrākais vai pat kuram ir potenciāls būt ātrākais.

Jaunais darbs to maina. Pirmo reizi vajadzētu būt iespējai strādāt, cik tuvu noteiktā secības tehnoloģija sasniedz teorētisko robežu.

Tas varētu izspiest no šīs apgabala nokaltušos mežus un stimulēt strauju inovāciju periodu sekvencēšanas tehnoloģijā.

Atsauce: arxiv.org/abs/1203.6233 : DNS sekvencēšanas informācijas teorija

paslēpties