DNA存储技术作为应对数据爆炸问题的潜在解决方案备受关注。然而，DNA合成、聚合酶链反应（PCR）和测序过程中常会产生包含碱基插入、缺失和替换（insertion-deletion-substitution, IDS）错误的读取片段。特别是在第三代测序技术中，这一问题更为严重。针对这一问题，来自广州大学计算科学与技术研究所的Xiaodong Zheng、Ranze Xie、Xiangyu Yao等研究人员在《Scientific Reports》期刊（2024年14卷）发表了一项开创性研究，提出了一种基于生成对抗网络（Generative Adversarial Network, GAN）的新型解决方案——DNA-GAN，用于多读取片段重建。以下将从多个方面详细介绍这项研究。

研究背景

DNA存储因其超长保存时间和高存储密度（单克DNA可存储数百PB数据）成为研究热点。然而，当前生物技术限制导致DNA存储的五个关键阶段（合成、PCR、序列衰变、采样和测序）会产生带有IDS错误的噪声读取片段。主流第二代测序的错误率为1-2%，而纳米孔测序仪（第三代测序）的错误率高达10%。传统方法如多序列比对（Multiple Sequence Alignment, MSA）虽广泛应用，但其计算复杂度为NP完全问题，且启发式算法（如MAFFT、MUSCLE）常以牺牲精度为代价。深度学习技术（如基于Transformer的模型）在低错误率（≤1.3%）场景表现良好，但难以应对第三代测序的高错误率环境。为此，研究团队提出将多读取片段重建问题转化为图像平滑问题，利用条件生成对抗网络（cGAN）生成共识序列。

研究流程与方法

1. 数据准备

研究使用四组模拟数据集（错误率5%-8%，每条序列110 bp，共22,000条）进行训练和验证，并选用两个真实数据集评估性能： - Meiser数据集：102 bp序列，错误率2.56%，包含4,041条高质量序列（每簇≥50读取）。 - Srinivasavaradhan数据集：110 bp序列，错误率5.9%（插入1.7%、缺失2%、替换2.2%），包含2,833条序列（每簇30-50读取）。

2. 模型构建

DNA-GAN基于pix2pix GAN框架改进，核心创新包括： - 输入表示：将读取簇转化为双通道图像（左对齐和右对齐），每个碱基用颜色编码（A=黑，T=红，C=蓝，G=绿，N=白），生成3×h×w维图像（h=110，w=50）。 - 生成器设计：采用ResNet架构，通过下采样卷积提取特征，经6个残差模块处理后上采样生成重建图像。 - 判别器设计：基于卷积的PatchGAN分类器，输出6×3矩阵评估图像块真实性。 - 损失函数：结合对抗损失（L_adv）和L1损失（λ=100），公式为： [ G^* = \arg\min_G \maxD L{adv}(G,D) + \lambda L_{L1}(G) ]

3. 优化策略

• 重排（Shuffling）：通过随机重排读取顺序生成多幅图像，选择内部差异分数（公式4）最低的输入。
• 迭代重建：将DNA-GAN输出序列替换原始簇中的部分读取，逐步优化图像质量。实验采用1,000次重排和30轮迭代。

主要结果

1. 重建性能：

   • 在6%错误率训练的模型表现最佳，Meiser和Srinivasavaradhan数据集的成功率分别达99.34%和91.73%。通过20,000次重排后，所有簇均被完全重建。
   • 对比实验中，DNA-GAN在5.9%错误率下显著优于Transformer模型（如DNAFormer和RRCC-DNN，仅适用于≤1.3%错误率）和MAFFT（准确率低6.08%）。

2. 鲁棒性：

   • 簇污染测试显示，即使20%的读取为无关序列，成功率仍不受影响。
   • 在IDS错误不平衡场景（如6:3:1比例）下，模型无需重新训练即可适配。

3. 关键因素分析：

   • 簇大小：读取数≥40的簇性能优于30-40的簇（图形化MSA需要足够信息量）。
   • 簇质量：平均编辑距离≤3的“简单簇”成功率显著高于“困难簇”（编辑距离≥4）。

结论与价值

DNA-GAN首次将GAN应用于DNA存储的多读取重建，其科学价值与应用价值体现在： 1. 技术突破：首次实现第三代测序高错误率（5.9%）环境的完整序列重建，填补了Transformer模型的局限性。 2. 方法论创新：通过图像化表示和双通道输入，有效捕捉跨读取信息，优于传统单热点编码（one-hot encoding）方法。 3. 实用优势：重排和迭代策略将成功率提升至100%，且计算耗时（5.7μs/簇）低于MAFFT（6.3μs）。

研究亮点

1. 跨学科融合：将计算机视觉的GAN技术与生物信息学结合，开创DNA存储纠错新范式。
2. 性能边界拓展：将可纠正错误率从1.3%提升至5.9%，为纳米孔测序应用铺平道路。
3. 鲁棒性设计：通过双通道对齐和残差网络，有效抵抗插入/缺失错误和簇污染。

其他发现

• 局限性：模型性能高度依赖簇大小，建议实际应用中确保每簇≥30读取。
• 未来方向：优化重排算法以降低时间成本，并探索其他图像表示方法。

该研究为DNA存储的实用化提供了关键技术支撑，其代码和数据已公开，为后续研究奠定基础。