Stockage robuste de données sur ADN

Objectif

L’objectif de ce projet est de développer des algorithmes permettant une récupération robuste des données dans le cadre du stockage de l’information sur ADN.

Contexte

La croissance exponentielle du volume de données numériques met en évidence les limites des technologies de stockage conventionnelles en termes de densité, de durabilité et de consommation énergétique. Une solution prometteuse pour répondre à ces défis est le stockage de données sur ADN, qui présente plusieurs avantages, notamment une densité de stockage extrêmement élevée, une très longue durée de conservation et une faible consommation énergétique [1].

Du point de vue de la densité, l’ADN peut théoriquement stocker jusqu’à 10 téraoctets par mm³, ce qui permettrait de stocker l’ensemble des données générées au cours de l’histoire de l’humanité dans un cube d’environ 30 cm de côté [2]. En termes de conservation, l’ADN peut rester lisible pendant plusieurs siècles dans des conditions appropriées, alors que les supports de stockage conventionnels se dégradent généralement en quelques décennies [2]. Enfin, le stockage sur ADN est peu énergivore, puisqu’il peut être conservé à température ambiante à condition d’être protégé de la lumière et de l’humidité.

Défis et approche envisagée

Malgré son fort potentiel, faire de l’ADN un support de stockage efficace et opérationnel nécessite de surmonter plusieurs défis majeurs :

  (i)-Transformation des données : conversion des données numériques en un alphabet quaternaire (A, C, G, T).
  (ii)-Synthèse de l’ADN : écriture des données par la synthèse physique de brins d’ADN.
  (iii)-Séquençage de l’ADN : lecture des données stockées par le séquençage de l’ADN.
  (iv)-Récupération des données : reconstruction des données numériques originales à partir de la séquence lue.

Cette thèse se concentrera sur les premier et quatrième défis, en développant des algorithmes conjoints de compression et de correction d’erreurs robustes face aux erreurs de séquençage apparaissant lors de l’étape (iii).

Le stockage efficace de données sur ADN repose fortement sur l’utilisation de technologies de séquençage rapides, qui s’accompagnent généralement de taux d’erreurs plus élevés. Par exemple, le séquençage nanopore, développé par Oxford Nanopore Technologies (ONT), permet une analyse en temps réel, mais au prix d’une augmentation significative des erreurs [3,4]. Contrairement aux technologies de séquençage classiques, le séquençage nanopore introduit non seulement des erreurs de substitution, mais également des erreurs d’insertion et de suppression. Les suppressions constituent un défi particulier, car elles diffèrent des erreurs d’effacement, pour lesquelles la position des données manquantes est connue (par exemple, les pertes de paquets dans les réseaux numériques). Dans le cas des suppressions, ni l’existence ni la position des symboles manquants ne sont connues, ce qui complique fortement la correction de ces erreurs.

Deux grandes approches sont principalement proposées dans la littérature pour faire face à ces erreurs. La première consiste à éviter les motifs générateurs d’erreurs en construisant des séquences d’ADN contraintes, par exemple en limitant les homopolymères ou en imposant un contenu GC équilibré [5]. La seconde approche consiste à accepter la présence d’erreurs et à les corriger à l’aide de techniques de codage [6]. Ces deux stratégies sont généralement considérées comme antagonistes, l’une cherchant à prévenir les erreurs tandis que l’autre suppose leur présence [7].

Dans ce projet, nous proposons d’explorer une voie alternative visant à combiner ces deux approches : éviter la majorité des erreurs tout en corrigeant celles qui subsistent. Pour ce faire, nous étudierons de nouvelles méthodes de structuration conjointe du flux d’ADN compressé et de correction d’erreurs, afin d’améliorer la robustesse du séquençage nanopore. En particulier, nous exploiterons les propriétés de l’alphabet quaternaire ainsi que l’interaction entre les algorithmes de compression et de correction d’erreurs. Ce travail s’appuiera notamment sur des concepts issus du codage de canaux non binaires [9,10] ainsi que sur des techniques de transcodage adaptées au stockage sur ADN [5]. Un aspect clé consistera également à intégrer des méthodes efficaces de récupération des données après séquençage, telles que celles proposées dans [8].