[发明专利]一种DNA测序质量分数无损压缩方法

摘要

本发明涉及一种DNA测序质量分数无损压缩方法，采用类run‑length编码方法将提取出来的质量分数进行转换例如，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。本发明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，即质量分数‑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。

主权项

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；所述FastQ的文件结构中每条序列的最后一行为质量分数行；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；其中，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；其中，步骤S200中进一步包括：步骤S2001：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，并将该转换后的质量分数串存储到压缩文件中；或者，步骤S200中进一步包括：步骤S2002：改变run‑length中length的值域，并根据值域所限定的length的最大值，来拆分超过该最大值的质量分数串为多个串，并对拆分后的该多个串分别压缩。