[发明专利]一种DNA数据存储编码解码方法

权利要求书

1.一种DNA数据存储的编码解码方法，它包括数据编码和数据解码，其特征是所述的数据编码包含以下步骤：1） 数据压缩，即先将一个或多个电子文档打包成单个TAR格式的文件A.tar，再用Lempel-Ziv-Markov chain-Algorithm算法即LZMA算法将TAR文件进行二次压缩，生成A.tar.lzma；2）数据转码，即先将A.tar.lzma以二进制形式读取，然后将二进制数据转成整数型数值串B，并用滑动窗口将B切割成无重复子串[A1, A2, …, An]，最后对子串加索引生成[B1, B2, …, Bn]；3）数据加冗余， 即利用RS编码系统对[B1, B2, …,Bn]进行包括一次子串编码和一次数据块编码的两次纠错编码，生成数据冗余增加的整数型数值串[C1, C2, …, Cn]；（4）数据第二次转码，即将整数型数值串[C1, C2, …, Cn]转码成可以用于芯片合成的DNA序列集[D1, D2, …, Dn]；所述的数据解码为数据编码的反向过程，包括以下步骤：1）对合成出的DNA序列进行二代测序，过滤掉测序长度和测序质量不符合要求的测序片段，并对测序片段进行配对拼接；2）将拼接好的测序片段逆转码成整数型数值串，随后利用RS编码系统对整数型数值串进行子串解码，根据索引对数值串排序；通过选取频率最高的整数，把具有同样索引的整数型数字串合并成一条最有可能的整数型数字串，再用RS编码系统进行数据块解码，随后删去数据索引并将其连接生成一条完整的整数型数值串B；3）数据第二次逆转码，将B转成二进制数据后写入文件，并用LZMA算法和TAR解压文件，从而读出文件。

2.根据权利要求1所述的方法，其特征是所述的数据是指以二进制表示或存储的信息。

3.根据权利要求1所述的方法，其特征是它采用5比特编码框架，即根据每五个比特可以转化成一个0到31之间的整数的对应规则，将二进制数据转成整数型数值串；由于碱基A、T、G、C可以组成16种二联碱基，二联碱基再与碱基R和Y组合，可以生成32种三联碱基，恰好与0至31的32个整数相对应，所以最终二进制数据可以转换成DNA序列；对于碱基R和Y在合成过程中具体使用哪种碱基，即R可以对应候选碱基A和G；Y可以对应候选C和T，主要考虑其前一位碱基，即在保证不与前一位碱基重复的前提下随机选取，同时考虑到DNA合成平台对DNA片段的GC百分比的限制，控制R和Y的转换来使DNA序列达到GC%的控制要求。