The invention discloses a method and system for compressing, decompressing and restoring gene sequencing quality row data. The basic principle of compressing, decompressing and restoring gene sequencing quality row data is to take several columns from the input quality row file or data block as index columns, and then rearrange all quality row data. All index columns have the same quality behavior , and arrange them together according to their relative positions in the original data block. Because the same quality row data of index column is often more similar, this way of data reorganization can arrange the similar gene sequencing data together, thus improving the local similarity of data. The invention does not introduce additional storage overhead, and only achieves data rearrangement in a large data window through a small calculation overhead, so as to improve the compression efficiency. The invention is suitable for compression preprocessing of quality row data in the process of gene sequencing, and the larger the data block, the more obvious the advantage.
【技术实现步骤摘要】
基因测序质量行数据压缩预处理、解压还原方法及系统
本专利技术涉及基因测序质量行数据的压缩预处理以及解压技术,具体涉及一种基因测序质量行数据压缩预处理、解压还原方法及系统。
技术介绍
基因检测是通过血液、其他体液、或细胞对DNA进行检测的技术,通过特定设备对被检测者细胞中的DNA分子信息作检测,分析它所含有的基因类型和基因缺陷及其表达功能是否正常的一种方法,从而使人们能了解自己的基因信息,明确病因或预知身体患某种疾病的风险。基因检测可以诊断疾病,也可以用于疾病风险的预测。随着基因测序技术的不断升级,测序通量越来越高,同时测序成本直线下降,高通量测序技术逐渐在科研、医疗等领域得到广泛应用。同时,人们生活水平的提高,采用基因检测技术来诊断和预测疾病的人群也日益增长。这使得采用基因检测技术产生的测序数据量急剧增长。海量基因测序数据的存储和传输已经成为基因检测应用中面临的重要技术难题。具有高压缩率的无损压缩算法是解决这一难题的重要技术途径。基因测序结果中质量行数据的压缩又是基因测序数据压缩中的难点。目前基因测序中质量行数据的压缩处理策略是:先通过压缩预处理,如改变数据的排列顺序,然后再利用经典的压缩算法,获得好的压缩效率。最为常用的方法是:利用BWT算法进行预处理,然后利用算术编码等实施压缩。压缩预处理的目的是将相同或相似的数据尽量放在一起,然后再使用压缩算法,可提高压缩的效率。BWT(Burrows-WheelterTransform)作为最常用的压缩预处理方法,其主要思想是:将长度为N的原始字符串S向右依次循环移位,得到N个字符串,再对这N个字符串按字典顺序排序 ...
【技术保护点】
1.一种基因测序质量行数据压缩预处理方法,其特征在于实施步骤包括:1)读取质量行数据的原始数据块Data并确定其索引列的列号Index_No;2)根据原始数据块Data的索引列建立分组信息表IIT;3)根据分组信息表IIT,将原始数据块Data中各个质量行按照索引列信息重新分组排列、并删除索引列部分的数据,得到分组重排后的数据Grouped_Data;4)提取原始数据块Data的索引列的数据Index_Data,将索引列的列号Index_No、原始数据块Data的索引列的数据Index_Data以及分组重排后的数据Grouped_Data作为压缩预处理结果输出。
【技术特征摘要】
1.一种基因测序质量行数据压缩预处理方法,其特征在于实施步骤包括:1)读取质量行数据的原始数据块Data并确定其索引列的列号Index_No;2)根据原始数据块Data的索引列建立分组信息表IIT;3)根据分组信息表IIT,将原始数据块Data中各个质量行按照索引列信息重新分组排列、并删除索引列部分的数据,得到分组重排后的数据Grouped_Data;4)提取原始数据块Data的索引列的数据Index_Data,将索引列的列号Index_No、原始数据块Data的索引列的数据Index_Data以及分组重排后的数据Grouped_Data作为压缩预处理结果输出。2.根据权利要求1所述的基因测序质量行数据压缩预处理方法,其特征在于,步骤2)的详细步骤包括:2.1)初始化分组信息表IIT的表项数量为0,且分组信息表IIT的表项结构包括序号、索引列信息Index、变量num、变量start和变量temp,其中变量num为具有相应索引列信息的质量行数目,变量start表示具有该索引列信息的质量行在分组排序后所处的起始位置,变量temp为分组重排过程中已处理的具有相应索引列信息的质量行数目;2.2)初始化原始数据块Data的当前质量行的行号i为0;2.3)顺序扫描原始数据块Data的当前质量行Data[i],如果达到原始数据块Data的末尾,则跳转执行步骤2.6);否则取出当前质量行Data[i]的索引列信息Index,其中Data[i]是指原始数据块Data中当前质量行i的内容;将当前质量行的行号i加1;2.4)查找分组信息表IIT中的所有表项,如果有分组信息表IIT的某个表项j的索引列信息、当前质量行Data[i]的索引列信息Index两者相等,则将表项j的变量num加一,跳转执行步骤2.3);否则,跳转执行步骤2.5);2.5)在分组信息表IIT中建立新的表项k,并设置表项k的索引列信息IIT[k].Index等于当前质量行Data[i]的索引列信息Index、表项k的变量num等于1,将序号k加1;跳转执行步骤2.3);2.6)初始化分组信息表IIT的当前表项j为0;2.7)顺序扫描分组信息表IIT的表项,为各索引列信息设置其对应分组的起始位置,如果已经到达分组信息表IIT的末尾,本步骤结束,跳转执行步骤3);否则针对分组信息表IIT当前扫描的表项j,如果表项的序号j为0,则设置表项j的变量start的值为0、变量temp的值为0,当前表项序号j加1;跳转继续执行步骤2.7);否则设置表项j的变量start的值为上一个表项j-1的变量start及其变量num之和,表项j的变量temp的值为0,当前表项序号j加1,跳转继续执行步骤2.7)。3.根据权利要求1所述的基因测序质量行数据压缩预处理方法,其特征在于,步骤3)的详细步骤包括:3.1)为分组重排后的数据Grouped_Data分配空间,其行数与原始数据块Data相同;3.2)初始化原始数据块Data的当前质量行的行号i的值为0;3.3)扫描原始数据块Data的当前质量行,当前质量行的数据为Data[i],其中i为当前质量行的行号,取出当前质量行Data[i]的索引列信息Index;3.4)在分组信息表IIT中查找索引信息与Index相同的表项j;3.5)在分组重排后的数据Grouped_Data中插入删除了索引列信息的质量行数据,且插入位置k的值为表项j的变量start和变量temp之和,并将表项j的变量temp值加1;3.6)将行号i加1,判断行号i是否超过原始数据块Data的总行数,如果尚未超过原始数据块Data的总行数则跳转执行步骤3.3);否则,跳转执行步骤4)。4.一种基因测序质量行数据解压还原方法,其特征在于实施步骤包括:S1)读取解压后得到的索引列的数据Index_Data、分组重排后的数据Grouped_Data以及索引列的列号Index_No,根据分组重排后的数据Grouped_Data和索引列的列号信息Index_No确定原始数据块Data的质量行数目和每行的字符数据,为存储原始数据块Data分配空间;S2)根据索引列的列号Index_No,将索引列的数据Index_Data的每一列数据分别赋值给原始数据块Data中列号属于Index_No所记录的相应列;S3)根据索引列的数据Index_Data建立分组信息表IIT;S4)根据分组信息表IIT,依次...
【专利技术属性】
技术研发人员:赵强利,宋卓,李根,蒋艳凰,冯博伦,唐宏伟,徐霞丽,毛海波,
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。