[发明专利]基因测序数据压缩方法、系统及计算机可读介质

权利要求书

1.一种基因测序数据压缩方法，其特征在于所述方法包括：

1）从基因测序数据样本data中遍历获取读长为Lr的读序列R；

2）针对每一条读序列R，选择k位原始基因字母作为原始基因字符串CS₀，从原始基因字符串CS₀开始以长度为k的滑动窗口顺序生成定长的k位字符串作为短串K-mer，根据短串K-mer确定读序列R的正负链类型d，且通过预设的预测数据模型P1获取每一个短串K-mer对应相邻位的预测字符c得到长度为Lr-k位的预测字符集PS，所述预测数据模型P1包含参考基因组的正链及负链中任意短串K-mer及其对应相邻位的预测字符c；将读序列R中不含k位原始基因字母的Lr-k位原始基因字母、预测字符集PS编码后通过可逆函数进行可逆运算，所述可逆函数对任意一对相同的字符编码的运算输出结果相同；将读序列R的正负链类型d、原始基因字符串CS₀以及可逆运算结果作为三条数据流压缩输出。

2.根据权利要求1所述的基因测序数据压缩方法，其特征在于，步骤2）的实施步骤包括：

2.1）从基因测序数据样本data中遍历获取一条读长为Lr的读序列R，针对读序列R选择k位原始基因字母作为原始基因字符串CS₀，从原始基因字符串CS₀开始以长度为k的滑动窗口顺序生成定长子字符串作为短串K-mer得到读序列短串集合KR；

2.2）按照顺序生成定长子字符串作为短串K-mer，根据短串K-mer确定读序列R的正负链类型d，且通过预设的预测数据模型P1获取每一个短串K-mer对应相邻位的预测字符c得到长度为Lr-k位的预测字符集PS，所述预测数据模型P1包含参考基因组的正链及负链中任意短串K-mer及其对应相邻位的预测字符c；

2.3）将读序列R中不含k位原始基因字母的Lr-k位原始基因字母、预测字符集PS编码后通过可逆函数进行可逆运算，所述可逆函数对任意一对相同的字符编码的运算输出结果相同；

2.4）将读序列R的正负链类型d、原始基因字符串CS₀以及可逆运算结果作为三条数据流压缩输出；

2.5）判断基因测序数据样本data中的读序列R是否遍历完毕，如果尚未遍历完毕，则跳转执行步骤2.1）；否则结束并退出。

3.根据权利要求2所述的基因测序数据压缩方法，其特征在于，步骤2.2）的详细步骤包括：

2.2.1）针对读序列短串集合KR顺序提取短串K-mer，基于短串K-mer构造正链预测序列KP1，正链预测序列KP1中对于读序列短串集合KR中任意短串K-mer均存在一个对应的元组(k-mer,0)，其中k-mer为短串K-mer，0表示假设该短串K-mer来自正链；

2.2.2）针对正链预测序列KP1中的每一个元组(k-mer,0)通过预测数据模型P1获取其对应的预测字符c，得到所有预测字符c构成的正链预测字符序列PS1；所述预测数据模型P1包含参考基因组的正链及负链中任意短串K-mer及其相邻位对应的预测字符c；

2.2.3）针对读序列短串集合KR顺序提取短串K-mer，基于短串K-mer构造负链预测序列KP2，负链预测序列KP2中对于读序列短串集合KR中任意短串K-mer均存在一个对应的元组(k-mer,1)，其中k-mer为短串K-mer，1表示假设该短串K-mer来自负链；

2.2.4）针对负链预测序列KP2中的每一个元组(k-mer,1)通过预测数据模型P1获取其相邻位对应的预测字符c，得到所有预测字符c构成的负链预测字符序列PS2；

2.2.5）计算正链预测字符序列PS1、读序列R中不含k位原始基因字母的Lr-k位原始基因字母两者之间的编辑距离L1，计算负链预测字符序列PS2、读序列R中不含k位原始基因字母的Lr-k位原始基因字母两者之间的编辑距离L2；

2.2.6）判断编辑距离L1小于L2是否成立，如果成立则判定读序列R的正负链类别d为正链，将正链预测字符序列PS1作为Lr-k位的预测字符集PS；否则，判定读序列R的正负链类别d为负链，将负链预测字符序列PS2作为Lr-k位的预测字符集PS。