Caractérisation des erreurs et approches de correction d’erreurs dans le stockage ADN combinatoire

Stocker les données du monde dans l’ADN

Nos téléphones, serveurs et centres cloud sont noyés sous l’information et les technologies de stockage traditionnelles peinent à suivre. L’ADN — la même molécule qui porte l’information génétique chez les êtres vivants — offre une alternative séduisante : il est extrêmement dense, durable et nécessite très peu d’énergie pour être conservé. Cet article explore une variante particulièrement puissante du stockage sur ADN, appelée codage ADN combinatoire, et montre comment un nouveau type de correction d’erreur peut la rendre bien plus fiable en pratique.

Comment emballer plus de bits dans l’ADN

Le stockage ADN conventionnel écrit les données en choisissant, à chaque position d’un brin d’ADN synthétique, l’une des quatre bases (A, C, G, T). Le codage ADN combinatoire adopte une approche différente. Au lieu d’utiliser un seul petit fragment d’ADN à chaque position, il utilise des combinaisons soigneusement choisies de courts fragments. Chaque position d’un message numérique n’est pas représentée par une seule séquence courte, mais par un ensemble de celles-ci tirées d’une bibliothèque prédéfinie. Cela augmente fortement la quantité d’information codée par étape de synthèse, réduisant coût et temps. En revanche, cela implique qu’en lecture il faut détecter l’ensemble des fragments qui devraient être présents à une position donnée pour lire correctement une « lettre » du message stocké.

Quand certaines pièces disparaissent discrètement

Parce que les molécules d’ADN sont produites et lues en grand nombre, une même séquence combinatoire apparaît de nombreuses fois, chaque copie étant synthétisée et séquencée avec de petites imperfections. Les auteurs ont analysé plusieurs jeux de données expérimentaux et découvert qu’un type d’erreur prédomine dans le stockage ADN combinatoire : l’effacement d’un fragment unique au sein d’une combinaison par ailleurs correcte. Autrement dit, un élément de l’ensemble n’est tout simplement jamais observé dans les lectures de séquençage, alors que les autres sont présents. Ces « effacements combinatoires asymétriques » deviennent particulièrement fréquents quand le nombre de lectures par séquence est faible — une situation réaliste dans des systèmes à grande échelle, où augmenter la profondeur de séquençage est coûteux. En dessous d’environ 50 lectures par séquence, la fréquence de ces pièces manquantes augmente fortement, rendant la reconstruction des données visées difficile voire impossible avec les méthodes standard.

Explorer les erreurs à plus grande échelle

Pour dépasser les démonstrations à petite échelle, l’équipe a collaboré avec un partenaire industriel pour construire un grand système de stockage de preuve de concept utilisant l’ADN combinatoire. Ils ont encodé des milliers de bits de texte en 640 séquences combinatoires distinctes, chacune couvrant huit positions porteuses d’information. Des protocoles de laboratoire spécialisés ont assemblé des pools de molécules d’ADN où chaque molécule représentait une combinaison de courts fragments. Les chercheurs ont ensuite séquencé des millions de lectures et utilisé un pipeline d’analyse personnalisé basé sur BLAST, un outil d’alignement de séquences bien connu, pour déterminer quels fragments apparaissaient à chaque position. Ce grand jeu de données a confirmé l’observation initiale : lorsque la couverture de lecture était élevée, la plupart des combinaisons pouvaient être reconstruites, mais quand le nombre moyen de lectures par séquence diminuait, les fragments manquants — et donc les erreurs d’effacement — devenaient le principal obstacle à un décodage précis.

Un code qui anticipe les erreurs unidirectionnelles

Les schémas traditionnels de correction d’erreurs utilisés en stockage ADN supposent souvent que les erreurs sont à peu près symétriques — les symboles peuvent être confondus, ajoutés ou perdus avec des probabilités similaires. Cette hypothèse ne convient pas à l’ADN combinatoire, où l’échec typique est qu’un fragment présent dans la combinaison originale n’apparaît tout simplement pas, tandis que des fragments supplémentaires fautifs sont relativement rares. Pour y remédier, les auteurs ont conçu un nouveau code correcteur d’erreurs, appelé code VT combinatoire, adapté à ce comportement unidirectionnel. Ils représentent chaque lettre combinatoire comme une ligne d’une matrice binaire et considèrent les fragments manquants comme des bits qui ne basculent que d’un à zéro. Le code utilise une empreinte mathématique, ou « syndrome », pour chaque lettre qui peut révéler quel fragment a disparu, même lorsque seule une partie de la combinaison est observée. Ces syndromes sont eux‑mêmes protégés par un code Reed–Solomon, permettant de récupérer plusieurs de ces erreurs au sein d’une même séquence.

Mettre la nouvelle méthode à l’épreuve

Les chercheurs ont opposé leur code sur mesure à un schéma Reed–Solomon bidimensionnel plus conventionnel qui avait été utilisé auparavant dans le stockage ADN. Ils ont testé les deux approches par simulations logicielles et dans une seconde expérience à grande échelle, où la moitié des séquences étaient protégées par la méthode traditionnelle et l’autre moitié par le nouveau code combinatoire, avec une redondance identique. Dans une gamme de conditions dominées par les erreurs d’effacement, la nouvelle approche a plus souvent reconstruit correctement les données originales, et elle a particulièrement bien performé lorsque la couverture de lecture était faible. Dans ces conditions plus sévères, l’approche traditionnelle échouait fréquemment à décoder des séquences entières, tandis que le schéma VT combinatoire parvenait encore à les récupérer.

Pourquoi cela compte pour les archives ADN du futur

Ce travail montre que rendre le stockage de données sur ADN pratique ne consiste pas seulement à empaqueter plus de bits dans les molécules — il faut aussi des corrections d’erreurs adaptées aux vrais schémas d’erreur des processus de laboratoire utilisés. En étudiant attentivement comment le stockage ADN combinatoire échoue et en concevant des codes qui anticipent spécifiquement la disparition de fragments, les auteurs démontrent une voie claire vers des archives ADN plus fiables et évolutives. À mesure que les systèmes basés sur l’ADN prendront en charge des collections de données toujours plus vastes, de telles stratégies de correction d’erreurs asymétriques et sur mesure seront essentielles pour transformer des mélanges moléculaires fragiles en mémoires à long terme dignes de confiance.

Citation: Preuss, I., Sabary, O., Gabrys, R. et al. Error characterization and error correction approaches in combinatorial DNA-based storage. Sci Rep 16, 8093 (2026). https://doi.org/10.1038/s41598-026-38599-0

Mots-clés: Stockage de données sur ADN, correction d'erreurs, codage combinatoire, erreurs d'effacement, densité d'information