【技术实现步骤摘要】
基因测序数据压缩方法、系统及计算机可读介质
本专利技术涉及基因测序和数据压缩技术,具体涉及一种基因测序数据压缩方法、系统及计算机可读介质。
技术介绍
近年来,随着下一代测序技术(NextGenerationSequence,NGS)的持续进步,基因测序的速度更快,成本更低,基因测序技术得以在更加广泛的生物、医疗、健康、刑侦、农业等等许多领域被推广应用,从而导致基因测序产生的原始数据量以每年3到5倍、甚至更快的速度爆炸式增长。而且,每个基因测序样本数据又很大,例如一个人的55x全基因组测序数据大约是400GB。因此,海量的基因测试数据的存储、管理、检索和传输面临技术和成本的挑战。数据压缩(datacompression)就是缓解这个挑战的技术之一。数据压缩,是为了减少存储空间而把数据转换成比原始格式更紧凑形式的过程。原始的输入数据包含我们需要压缩或减小尺寸的符号序列。这些符号被压缩器编码,输出结果是编码过的数据。通常在之后的某个时间,编码后的数据会被输入到一个解压缩器,在这里数据被解码、重建,并以符号序列的形式输出原始数据。如果输出数据和输入数据始终完全相同,那么这个压缩方案被称为无损的(lossless),也称无损编码器。否则,它就是一个有损的(lossy)压缩方案。目前,世界各国研究人员已经开发出多种用于基因测序数据的压缩方法。基于基因测序数据的用途,其压缩后必须随时可以重建、恢复成原始数据,因此,有实际意义的基因测序数据压缩方法都是无损压缩。如果按总的技术路线分类,可以将基因测序数据压缩方法分成三大类:通用(generalpurpose)压缩算法、有参 ...
【技术保护点】
1.一种基因测序数据压缩方法,其特征在于实施步骤包括:1)从基因测序数据样本data中遍历获取读长为Lr的读序列R;2)针对每一条读序列R,选择k位原始基因字母作为原始基因字符串CS0,从原始基因字符串CS0开始以k位长度作为滑动窗口顺序生成定长的k位字符串作为短串K‑mer,根据短串K‑mer确定读序列R的正负链类型d,且通过预设的预测数据模型P1获取每一个短串K‑mer对应相邻位的预测字符c得到长度为Lr‑k位的预测字符集PS,所述预测数据模型P1包含参考基因组的正链及负链中任意短串K‑mer及其对应相邻位的预测字符c;将读序列R中不含k位原始基因字母的Lr‑k位原始基因字母、预测字符集PS编码后通过可逆函数进行可逆运算,所述可逆函数将任意一对相同的字符编码的运算输出结果相同;将读序列R的正负链类型d、原始基因字符串CS0以及可逆运算结果作为三条数据流压缩输出。
【技术特征摘要】
1.一种基因测序数据压缩方法,其特征在于实施步骤包括:1)从基因测序数据样本data中遍历获取读长为Lr的读序列R;2)针对每一条读序列R,选择k位原始基因字母作为原始基因字符串CS0,从原始基因字符串CS0开始以k位长度作为滑动窗口顺序生成定长的k位字符串作为短串K-mer,根据短串K-mer确定读序列R的正负链类型d,且通过预设的预测数据模型P1获取每一个短串K-mer对应相邻位的预测字符c得到长度为Lr-k位的预测字符集PS,所述预测数据模型P1包含参考基因组的正链及负链中任意短串K-mer及其对应相邻位的预测字符c;将读序列R中不含k位原始基因字母的Lr-k位原始基因字母、预测字符集PS编码后通过可逆函数进行可逆运算,所述可逆函数将任意一对相同的字符编码的运算输出结果相同;将读序列R的正负链类型d、原始基因字符串CS0以及可逆运算结果作为三条数据流压缩输出。2.根据权利要求1所述的基因测序数据压缩方法,其特征在于,步骤2)的实施步骤包括:2.1)从基因测序数据样本data中遍历获取一条读长为Lr的读序列R,针对读序列R选择k位原始基因字母作为原始基因字符串CS0,从原始基因字符串CS0开始以k位长度作为滑动窗口顺序生成定长子字符串作为短串K-mer得到读序列短串集合KR;2.2)按照顺序生成定长子字符串作为短串K-mer,根据短串K-mer确定读序列R的正负链类型d,且通过预设的预测数据模型P1获取每一个短串K-mer对应相邻位的预测字符c得到长度为Lr-k位的预测字符集PS,所述预测数据模型P1包含参考基因组的正链及负链中任意短串K-mer及其对应相邻位的预测字符c;2.3)将读序列R中不含k位原始基因字母的Lr-k位原始基因字母、预测字符集PS编码后通过可逆函数进行可逆运算,所述可逆函数将任意一对相同的字符编码的运算输出结果相同;2.4)将读序列R的正负链类型d、原始基因字符串CS0以及可逆运算结果作为三条数据流压缩输出;2.5)判断基因测序数据样本data中的读序列R是否遍历完毕,如果尚未遍历完毕,则跳转执行步骤2.1);否则结束并退出。3.根据权利要求2所述的基因测序数据压缩方法,其特征在于,步骤2.2)的详细步骤包括:2.2.1)针对读序列短串集合KR顺序提取短串K-mer,基于短串K-mer构造正链预测序列KP1,正链预测序列KP1中对于读序列短串集合KR中任意短串K-mer均存在一个对应的元组(k-mer,0),其中k-mer为短串K-mer,0表示假设该短串K-mer来自正链;2.2.2)针对正链预测序列KP1中的每一个元组(k-mer,0)通过预测数据模型P1获取其对应的预测字符c,得到所有预测字符c构成的正链预测字符序列PS1;所述预测数据模型P1包含参考基因组的正链及负链中任意短串K-mer及其相邻位对应的预测字符c;2.2.3)针对读序列短串集合KR顺序提取短串K-mer,基于短串K-mer构造负链预测序列KP2,负链预测序列KP2中对于读序列短串集合KR中任意短串K-mer均存在一个对应的元组(k-mer,1),其中k-mer为短串K-mer,1表示假设该短串K-mer来自负链;2.2.4)针对负链预测序列KP2中的每一个元组(k-mer,1)通过预测数据模型P1获取其相邻位对应的预测字符c,得到所有预测字符c构成的负链预测字符序列PS2;2.2.5)计算正链预测字符序列PS1、读序列R中不含k位原始基因字母的Lr-k位原始基因字母两者之间的编辑距离L1,计算负链预测字符序列PS2、读序列R中不含k位原始基因字母的Lr-k位原始基因字母两者之间的编辑距离L2;2.2.6)判断编辑距离为L1小于L2是否成立,如果成立则判定读序列R的正负链类别d为正链、将正链预测字符序列PS1作为Lr-k位的预测字符集PS;否则,判定读序列R的正负链类别d为负链、将负链预测字符序列PS2作为Lr-k位的预测字符集PS。4.根据权利要求3所述的基因测序数据压缩方法,其特征在...
【专利技术属性】
技术研发人员:李根,宋卓,刘蓬侠,王振国,冯博伦,
申请(专利权)人:人和未来生物科技长沙有限公司,
类型:发明
国别省市:湖南,43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。