Niedrigenergie-umprogrammierbarer DNA-Basecaller mit effizienzsteigerndem HMM-Beschleuniger für Echtzeit-Nanopore-Sequenzierung

Warum winzige DNA-Sequenzer schlauere Chips brauchen

Handflächengroße DNA-Sequenzer können heute ein menschliches Genom in Stunden statt Jahren lesen und eröffnen damit Anwendungsmöglichkeiten für Bettennahe Diagnostik, Ausbruchsüberwachung und Feldbiologie fernab großer Labore. Während die Sensorik klein und schnell geworden ist, verbraucht die Rechenleistung, die rohe elektrische Squiggles in A, C, G und T übersetzt, noch immer viel Energie. Dieser Artikel beschreibt einen maßgeschneiderten, energieeffizienten Chip, der diesen Übersetzungsschritt – das sogenannte Basecalling – deutlich effizienter ausführt und Echtzeit-DNA-Analysen mit Batteriebetrieb praktikabler macht.

Von elektrischen Squiggles zum genetischen Code

Moderne Nanopore-Sequenzer ziehen DNA-Stränge durch ein winziges Loch und messen, wie sich der Ionenstrom verändert, während die Basen vorbeiziehen. Statt vier klarer Signalpegel liefert das Gerät eine verrauschte Zeitreihe, bei der jede Messung mehrere benachbarte Basen gleichzeitig widerspiegelt. Damit wird das Entschlüsseln der Sequenz zu einem Mustererkennungsproblem unter starkem Rauschen. Basecalling-Algorithmen müssen diese schwankenden Signale durchsieben und schließen, welche DNA-Abschnitte sie am wahrscheinlichsten erzeugt haben, denn alle nachfolgenden Schritte – wie Genomassemblierung oder Mutationssuche – hängen davon ab, dass dieser erste Schritt korrekt ist.

Ein probabilistisches Fahrplan für verrauschte Signale

Die Autoren bauen auf einer Technik namens Hidden-Markov-Modell auf, das die DNA-Decodierung als Bewegung durch ein Netzwerk möglicher kurzer Basenmuster behandelt, während das eingehende Signal beobachtet wird. Jeder Zustand in diesem Netzwerk entspricht einem kleinen Basenblock, und Übergänge zwischen Zuständen modellieren, wie der DNA-Strang durch die Nanopore gleiten kann. Mit dem Viterbi-Algorithmus sucht das System nach dem wahrscheinlichsten Pfad durch diese Zustände, der das beobachtete Signal erzeugt haben könnte. Dieser Ansatz ist für Hardware attraktiv: Er ist mathematisch fundiert, geht natürlich mit Rauschen um und lässt sich durch Hinzufügen weiterer Zustände skalieren. Seine Kernoperationen – Additionen, Vergleiche und das Speichern numerischer Scores – sind einfach genug, um sie fest auf einem Chip zu verdrahten.

Entwurf einer schlanken, wiederverwendbaren Basecalling-Engine

Eine einfache Hardware-Implementierung würde für jeden möglichen Zustand und jeden Übergang separate Schaltungen vorsehen, was zwar hohe Geschwindigkeit, aber einen sehr großen und energiehungrigen Chip zur Folge hätte. Stattdessen stellen die Autoren eine Serial-Parallel-Architektur vor, die kleinere Bausteine über die Zeit wiederverwendet. Zuerst entwerfen sie eine effiziente 16-Zustands-Verarbeitungseinheit und wenden dann geschickte Planung und Ressourcen-Sharing an, sodass dieser Block ein komplettes 64-Zustands-Modell verarbeiten kann und bei Bedarf wiederholt genutzt werden kann, um bis zu 4096 Zustände zu unterstützen. Wichtige Kniffe sind das Organisieren von Zustandsübergängen, sodass viele Zustände dieselbe arithmetische Hardware teilen, das Aufbrechen großer Vergleiche in kleine Vier-Eingangs-Stufen und das Vorberechnen kostenintensiver Funktionen wie Logarithmen außerhalb des Chips. Zusammen tauschen diese Entscheidungen eine moderate Zunahme der Verarbeitungszyklen gegen eine dramatische Reduktion an Schaltkreisen ein.

Balance zwischen Geschwindigkeit, Genauigkeit und Batterielaufzeit

In einem Standard-130-Nanometer-Prozess gefertigt, verarbeitet der vorgeschlagene Basecaller etwa 8 Millionen DNA-Basen pro Sekunde – schnell genug, um mit der Echtzeit-Sequenzierung Schritt zu halten – und verbraucht dabei nur 200 Milliwatt Leistung. Seine Entschlüsselungsgenauigkeit (94,3 %) übertrifft mehrere Software-Tools mit demselben Modellansatz und liegt leicht vor einem früheren Hardware-Beschleuniger, während er vier- bis sechsmal weniger Energie verbraucht als viele konkurrierende Entwürfe. Im Vergleich zu Deep-Learning-Basecallern, die ein paar Prozentpunkte höhere Genauigkeit erreichen, aber Watt-Leistungen und komplexe Hardware verlangen, opfert dieser Chip etwas Spitzenleistung zugunsten einer einfacheren, vorhersehbareren und deutlich energieeffizienteren Betriebsweise. Messungen und Simulationen bestätigen, dass die Festkommaarithmetik bei geeigneter Bitbreite präzise genug ist, um den Gleitkomma-Referenzergebnissen zu entsprechen.

Auf dem Weg zur taschenfreundlichen Genomik

Für Nicht-Spezialisten lautet die zentrale Botschaft: Diese Arbeit bringt das DNA-Decoding näher an etwas, das innerhalb eines telefon-großen Geräts oder eines feldtauglichen Analysators laufen kann, ohne auf sperrige Computer oder stromhungrige Grafikprozessoren angewiesen zu sein. Indem sie eine gut verstandene statistische Methode zu einer kompakten, wiederverwendbaren Hardware-Engine umformen, zeigen die Autoren, dass es möglich ist, Genome schnell, genau und mit sparsamem Energieeinsatz zu lesen. Für die Zukunft sehen sie die Kombination dieses Ansatzes mit leichteren Deep-Learning-Techniken vor; in seiner aktuellen Form bietet der Chip jedoch bereits eine solide Grundlage für die nächste Generation mobiler und eingebetteter DNA-Sequenzierungssysteme.

Zitation: Shahraki, A.S., Magierowski, S., Abbasi, M. et al. Low power reprogrammable DNA basecaller with an efficient HMM accelerator for real time nanopore sequencing. Sci Rep 16, 11425 (2026). https://doi.org/10.1038/s41598-026-41649-2

Schlüsselwörter: Nanopore-Sequenzierung, DNA-Basecalling, niedrigenergie Hardware, Hidden-Markov-Modell, ASIC-Beschleuniger