[发明专利]一种DNA信息存储编码方法

说明书

本发明公开了一种DNA信息存储编码方法，该方法包括以下步骤：步骤一：选定待存储目标DNA信息文件，并获取其二进制数据码流；步骤二：扫描二进制码流获取信源符号及其出现概率，即：将转换获得的二进制码流按照i位一组进行扫描读取，以每i位二进制作为一个信源符号(其中i为扫描位数)，统计各信源符号出现频次并计算其出现概率，将所得包含i位二进制数据的信源符号及其概率作为输入，使用四进制哈夫曼编码对码流中固定长度的二进制数据串进行编码；步骤三：进行四进制哈夫曼DNA编码。与现有技术相比，本发明可以获取较高信息存储密度的DNA信息存储方案，从而有效降低DNA信息存储的经济成本，减少信息的写入读取时间。

技术领域

本发明涉及一种存储编码方法，特别是涉及一种DNA信息的编码方法。

背景技术

随着人类获取知识与产生数据的能力不断提升，人类一切社会活动产生的海量数据给数据存储带来了极大的挑战。目前全球的数字信息总量达4.4ZB(3.52×1022bits)，并且仍在飞速增长。按照当下增长势头，全球的存储需求将在2040年达到惊人的3×1024比特。如果完全依靠目前主流的基于磁性介质的存储设备对如此大量的数据进行存储，则存储设备的需求量是海量的，所需要的存放设备的物理空间也是巨大的。此外，磁带、磁盘等形式的存储设备耐久度有限，需要不菲的维护投入和设备的频繁更换。当前迫切需要寻找一种可以高密度、低功耗、长期稳定地存储数字信息的解决方案。如表1所示，给出了脱氧核糖核酸(Deoxyribonucleic acid，DNA)介质在存储密度、存储年限、维护能耗、读取时间方面与当下主流存储手段的对比。

表1

DNA密度极高。其单位质量下的存储潜力而言是磁盘设备的4200亿倍。单位体积的存储潜力是硬盘的100万倍，是闪存的1000倍。DNA信息存储寿命极长，可在千年、万年尺度上保持可读性。

DNA分子的构成单位是脱氧核苷酸，脱氧核苷酸根据其含氮碱基的不同，可以分为腺嘌呤脱氧核苷酸(腺苷酸，AMP)、鸟嘌呤脱氧核苷酸(鸟苷酸，GMP)、胞嘧啶脱氧核苷酸(胞苷酸，CMP)、胸腺嘧啶脱氧核苷酸(胸苷酸，TMP)，这四种含氮碱基我们简称为A、G、C、T四种碱基。含有不同碱基的脱氧核糖核苷酸聚合成为链状螺旋的DNA分子，A、T、C、G四种碱基以不同的顺序排列组合，便可以存储生物的遗传信息，因此我们可以将DNA分子视为天然的四进制信息存储介质。

然而，目前已有的存储编码方法密度极限为2bit/nt。为了对存储过程中可能产生的随机错误而采用的降低错误率和纠错手段会引入一定的冗余，作为天然的四进制存储介质，在采用短链DNA作为信息载体的同时也需要额外引入地址码以更好地组织和解码携带信息的短链DNA，因此，目前DNA信息存储方案的实际存储密度均低于2bit/nt，无法很好地发挥DNA分子的信息存储潜力。

发明内容

针对现有DNA信息存储方案信息存储密度较低，不能很好发挥DNA分子的信息存储潜力的问题，本发明提出了一种DNA信息存储编码方法，实现了获取较高信息存储密度的DNA信息的存储方案。

一种DNA信息存储编码方法，其特征在于，该方法包括以下步骤：

步骤一：选定待存储目标DNA信息文件，并获取其二进制数据码流：

步骤二：扫描二进制码流获取信源符号及其出现概率，即：将转换获得的二进制码流按照i位一组进行扫描读取，以每i位二进制作为一个信源符号，其中i为扫描位数，统计各信源符号出现频次并计算其出现概率，将所得包含i位二进制数据的信源符号及其概率作为输入，使用四进制哈夫曼编码对码流中固定长度的二进制数据串进行编码；

步骤三：进行四进制哈夫曼DNA编码，该步骤具体包括以下处理：