[发明专利]一种DNA测序质量分数无损压缩方法

说明书

技术领域

本发明涉及生物领域，特别是一种DNA测序质量分数无损压缩方法。

背景技术

基因数据比较庞大，需要耗费的存储资源高，因此对基因数据进行压缩能够显著降低存储成本。

FastQ格式文件是用来记录一组测序序列的状态，一般，每条序列对应文件里面的4行，分别为序列描述，DNA序列，重复的序列描述(也可以用一个+号代替)，DNA序列对应的质量分数行。它的特点是每种类型的数据有各自的特点，例如序列描述之间有很大的冗余性，而序列描述和DNA序列之间没有什么冗余性。

质量分数是一种评价DNA测序中每个碱基的测序质量的一种方法，它与碱基配对出现，每个碱基都对应着一个质量分数。质量分数的值域为一个连续的整数区间。质量分数是一种偏随机的序列，它在fastq文件中的占比与基因序列相同，基因序列可以通过参考物种的基因序列进行压缩，而质量分数没有参考序列，所以质量值的压缩比要远大于基因序列的压缩比。对质量分数压缩算法的研究是优化fastq文件压缩算法的最重要组成部分。

因此，亟需一种有效的、针对FastQ格式文件的压缩方法，特别是针对质量分数的无损压缩方法。

发明内容

针对上述部分问题，本发明提供了一种DNA测序质量分数无损压缩方法，包括如下：

步骤S100：提取fastq格式的文件中的质量分数行；

步骤S200：以run-length编码方法为参考，采用类run-length编码方法将提取出来的质量分数进行转换：

对于某质量分数A连续出现2次以上相同字符的质量分数串，其出现次数记为n，将该质量分数A的连续出现次数n的相反数-n作为该质量分数串的长度值，以便将该质量分数串转换为A(-n)，并存储到压缩文件中，从而压缩此类质量分数。

优选的，所述方法还进一步包括：

步骤S300：对于质量分数的各个前缀，统计各个前缀的质量分数分布，并存储各个前缀后紧跟的不同质量分数的种类值和数量值；

步骤S400：根据所述不同质量分数的种类值和数量值，构建Huffman树；

步骤S500：对于具有不同的前缀的质量分数，选择对应的Huffman树，并将Huffman树中保存的该质量分数对应的比特流存储到压缩文件中，从而来压缩此类质量分数。

更优选的，

步骤S200中，对于不包含连续相同质量分数的质量分数串进行转换，转换后的质量分数串依然为原始质量分数串，且转换后的质量分数串无长度值。

本发明具有如下特点：提出了一种特别面向质量分数的无损压缩方法，降低了单独出现的质量分数的编码量，打破了经典的run-length的数据结构，及质量分数-长度对，适应性的公开了一种新机制来对长度进行变换，使得它与质量分数的值域不相交，且压缩方面具备高效性能。

附图说明

图1为本发明的一个实施例中的示意图；

图2为本发明的另一个实施例中的示意图。

具体实施方式

以下结合附图1-2对本发明的各个实施例进行详细的说明。

在一个实施例中，其揭示了一种DNA测序质量分数无损压缩方法，包括如下：

步骤S100：提取fastq格式的文件中的质量分数行；

步骤S200：以run-length编码方法为参考，采用类run-length编码方法将提取出来的质量分数进行转换：

对于某质量分数A连续出现2次以上相同字符的质量分数串，其出现次数记为n，将该质量分数A的连续出现次数n的相反数-n作为该质量分数串的长度值，以便将该质量分数串转换为A(-n)，并存储到压缩文件中，从而压缩此类质量分数。

对于该实施例而言，FastQ的文件结构中每条序列的最后一行为质量分数行，提取可以有多种方式，例如将质量分数行读出来，得到一个提取后的新文件。这样得到的新文件可以包括若干质量分数行。提取这一预处理使得将FastQ文件中其他的数据剔除掉，为接下来的数据处理带来便利。