Image coding for storage on DNA

Abstract

[ES] El ADN se puede utilizar para el almacenamiento de información de la misma manera que los códigos genéticos de la mayoría de las entidades vivientes, incluidos los humanos, se almacenan en su ADN. Existen numerosas ventajas, de las que podemos destacar: una densidad de almacenamiento mucho mayor, capacidad de conservación a largo plazo y una mejor eficiencia energética. La información subyacente en el ADN se representa en un código cuaternario (AGCT) en lugar de un código binario (01). Esto exige enfoques completamente nuevos para codificar eficientemente la información de una manera compatible con el ADN.

El objetivo de este proyecto es crear un simulador de compresión de imágenes basado en el aprendizaje (learning-based) capaz de generar flujos de bits comprimidos en código cuaternario, y por tanto adecuado para el almacenamiento de ADN. El funcionamiento de la arquitectura propuesta debe probarse aprovechando las implementaciones accesibles al público.

Durante el proyecto deberán realizarse las siguientes tareas:

¿ Estudiar el estado del arte relevante en la compresión de imágenes basada en el aprendizaje, y el almacenamiento y codificación de ADN. ¿ Identificar el código fuente existente para el almacenamiento de ADN y los simuladores y analizarlos. ¿ Revisar el código para la compresión de imágenes basada en el aprendizaje, identificando y excluyendo de la canalización la implementación de codificación de entropía binaria. ¿ Identificar la implementación cuaternaria de codificación de entropía de ADN en el software de referencia. Integrarlo en la arquitectura de compresión de imágenes basada en el aprendizaje. ¿ Analizar el rendimiento de la tubería propuesta, probando su robustez a errores a través del simulador elegido. (Opcional)

[EN] DNA can be used for storage of information the same way the genetic codes of most living entities, including humans, are stored in their DNA. There are several advantages behind this approach, such as a much higher storage density, long term preservation capability and better energy efficiency. The underlying information in DNA is represented in a quaternary code (AGCT) instead of a binary code (01). This calls for completely new approaches to efficiently code information in a DNA compatible manner.

The goal of this project is to create a learning-based image compression simulator able to generate compressed bitstreams in quaternary code, and therefore suitable to DNA storage. The performance of the proposed architecture should be tested by taking advantage of publicly accessible implementations.

The following tasks should be performed during the project:

¿ Study the state of the art relevant in learning-based image compression, and DNA storage and coding. ¿ Identify existing source code for DNA storage and simulators and analyse them. ¿ Review the code for learning-based image compression, identifying and excluding from the pipeline the binary entropy coding implementation. ¿ Identify the quaternary DNA entropy coding implementation in the reference software. Integrate it into the learning-based image compression architecture. ¿ Analyze the performance of the proposed pipeline, testing its robustness to errors through the chosen simulator.