[发明专利]文本信息存储和读取方法及其装置

说明书

本申请公开了一种文本信息存储和读取方法及其装置，该方法和装置基于待存储的文本信息中的文本单元的出现频率，利用碱基字符A、G和T对文本单元直接进行三叉哈夫曼编码，将所述文本信息转换为由碱基字符A、G和T构成的编码序列，并用字符C替换所述编码序列中与前一个字符重复的字符，得到由A、G、T、C四种碱基表示的第一DNA序列；将所述第一DNA序列切分为多个数据片段，并为每个数据片段分别添加索引片段、纠错片段和用于扩增的正反向引物，得到多个第二DNA序列；合成所述多个第二DNA序列并储存。本申请的方法和装置提高了文本信息的存储编码效率，具有较好的灵活性和可靠性。

技术领域

本申请涉及信息存储技术领域，具体涉及一种利用DNA序列进行文本信息存储和读取的方法及其装置。

背景技术

随着数字化信息的广泛应用和大数据科学的急速发展，人们每天产生的信息数据呈指数型增长，现有的传统存储介质逐渐不能满足使用需求。DNA分子作为一种新型的存储介质，由于具有存储密度高，保存时间长，维护成本低等优势，近年来受到广泛关注。DNA由四种脱氧核糖核苷酸的碱基——腺嘌呤(A)、胸腺嘧啶(T)、胞嘧啶(C)和鸟嘌呤(G)组成。DNA是生物体遗传物质的储存元件，其空间结构极为致密。作为存储介质，1克DNA可储存高达上千TB的数据，且具有稳定性极强和占用体积小等优点。

DNA编码技术是DNA存储中的关键技术。目前为止，DNA编码方法的研究主要集中于通用的比特-碱基编码法，这种编码方法是将待存储的文本文件转换为二进制数据，再为二进制数据设计比特到碱基的编解码方法。随着DNA存储相关领域的发展，数据的体量、复杂度和多样性都在飞速增加，这种通用的比特-碱基编码法难以满足人们针对不同类型的数据的精细化、个性化的存储需求。

申请公布号CN109943560A的发明专利申请公开了一种基于DNA载体的汉字信息存储方法。该方法将汉字信息直接编码为DNA碱基序列，具体而言，其使用4位碱基对待存储的文本文字进行直接编码；利用编码信息对相应文本进行转码；然后在核苷酸片段两侧添加引物，进行DNA序列合成和存储。

本申请的发明人发现，这种现有的存储方案将编码的碱基位数限制为4bp(碱基对)，这个长度限制了待编码文件的大小，不符合实际应用的场景。并且，该方案直接在4个碱基的组合中选取合适的碱基序列，极大地浪费了编码空间，降低了编码效率。此外，现有的存储方案在DNA存储中欠缺数据可靠性的考虑。

发明内容

本申请实施例提供一种文本信息存储和读取方法及其装置，用于解决现有技术中利用DNA存储文本信息存在的灵活性差、编码效率低、可靠性不高的问题。

第一方面，本申请实施例提出一种文本信息存储方法，包括以下步骤：

对待存储的文本信息进行分词处理，得到多个文本单元；

基于所述文本单元在所述文本信息中的出现频率，利用第一字符A、G和T对所述文本单元进行三叉哈夫曼编码，得到所述文本单元的编码表；

基于所述编码表，将所述文本信息转换为由第一字符构成的编码序列，并用第二字符C替换所述编码序列中与前一个字符重复的字符，得到由A、G、T、C四种碱基表示的第一DNA序列；

将所述第一DNA序列切分为多个数据片段，在每个数据片段的前端添加索引片段，在每个数据片段的后端添加纠错片段，得到多个DNA片段；

在每个DNA片段的两端添加用于扩增的正反向引物，得到多个第二DNA序列；

合成所述多个第二DNA序列并储存。

在一些实施方式中，所述基于所述文本单元在所述文本信息中的出现频率，利用第一字符A、G和T对所述文本单元进行三叉哈夫曼编码，得到所述文本单元的编码表包括：

统计每个文本单元在所述文本信息中的出现频率；