[发明专利]一种海量DNA数据的传输方法及系统

说明书

本发明提供的方法借助后缀数组求取DNA序列的最长重复子串，然后将最长重复子串存入数组中，并用数组下标替换DNA序列中的最长重复子串，通过不断的替换最长重复子串而达到压缩传输数据量的目的。

技术领域

本发明涉及生物信息学数据压缩传输领域，更具体地，涉及一种海量DNA数据的传输方法及系统。

背景技术

目前实施的千人基因组计划、国际单体型图计划和孟德尔遗传疾病计划等项目，利用下一代测序技术产生了海量的DNA测序数据，使得生物信息学数据呈现爆炸性增长。这些数据含有人类目前尚未了解的生物学知识，通过对这些数据的分析与处理，揭示其生物学内涵，提取出对人类有用的信息，可以给生物学和医学领域的相关研究带来更大的辅助。但是，在促进生物学和医学发展的同时，不同研究所之间传递数据的成本也高的惊人。如何压缩传输量，较少传输成本成为了当下急需解决的问题。

生物遗传物质的自我复制操作致使在同一个体的DNA序列中存在着大量完全重复的片段，另外还存在特殊的镜像重复、反转重复、互补回文结构等重复片段。人类的不同个体基因的相似程度达99％，而和近亲物种间基因序列的近似程度也可高达98％，植物DNA序列中重复序列含量可达80％以上。因此，DNA序列不仅数据量大且含有很多的冗余信息，这些数据冗余是DNA压缩传输的基础。后缀数组是一种为文本索引设计的数据结构，该结构由记录了字符串的各个后缀的字典序索引的数组构成。利用后缀数组可以快速查找字符串中的最长重复子串。本发明利用后缀数组的这种用途，通过对生物基因序列查找最长重复子串，将查到的最长重复子串生成字典索引，删减重复子串再查找最长重复子串，不断循环该过程。从而实现了对DNA序列的编码压缩过程。

发明内容

本发明为解决以上现有技术在传输DNA数据时传输数据量过大导致传输成本高昂的缺陷，提供了一种海量DNA数据的传输方法，该方法通过对DNA数据进行压缩从而达到降低传输数据量的目的。

为实现以上发明目的，采用的技术方案是：

一种海量DNA数据的传输方法，利用发送客户端、去重服务器和接收客户端进行数据的传输，传输方法具体包括以下步骤：

S1.在发送客户端，读入第一条DNA序列D1；

S2.求取DNA序列D1的后缀数组SA，使用SA[m]记录第m位后缀对应的首字母位置，即Suffix[SA[m]]在所有后缀中是第m小的后缀；

S3.扫描后缀数组SA，通过比较相邻后缀来找出最长的重复字符串Str[k]；

S4.在去重服务器上构建数组a，将Str[k]存入数组a的第t个存储单元a[t]中，t表示存储单元的下标，其初始值为1；

S5.使用t替换掉DNA序列D1中出现的所有重复字符串Str[k]，DNA序列D1经过替换后形成新的序列D[1]；

S6.令t＝t+1，然后对D[1]重复执行步骤S2～S5直至D[1]中剩余的碱基小于e个或最长重复子串小于f个，此时在D[1]中剩余的碱基段的开头和结尾分别插入分隔符；

S7.对其余的DNA序列依次执行步骤S8～S9的处理：

S8.读入一条DNA序列Di，对其执行步骤S2～S3的操作，求取到该DNA序列最长的重复字符串Str[h]，然后扫描数组a，判断数组a中是否存储有与Str[h]匹配的匹配项，若是则使用匹配项所在的存储单元的下标g替换DNA序列中出现的所有重复字符串Str[h]，DNA序列Di经过替换后形成新的序列D[i]；否则令t＝t+1，然后将重复字符串Str[h]存入数组a的第t个存储单元a[t]中；并使用t替换掉DNA序列Di中出现的所有重复字符串Str[h]，DNA序列Di经过替换后形成新的序列D[i]；