[发明专利]一种基于TPBWT自索引结构滑动窗口压缩方法

说明书

一种基于TPBWT自索引结构滑动窗口压缩方法，本发明涉及一种DNA自索引滑动窗口压缩算法。本发明的目的是为了解决现有压缩工具LYZip不能够按照用户需求压缩指定区间数据，压缩耗时长，无法实现多线程压缩问题。一种基于TPBWT自索引结构滑动窗口压缩方法具体过程为：步骤一、数据预处理；步骤二、对步骤一预处理后数据进行分块处理；步骤三、对步骤二分块处理后的每一块进行分流处理；步骤四：将步骤三分流处理后的数据整合为一个压缩文件。本发明用于三代测序DNA数据压缩领域。

技术领域

本发明涉及三代测序DNA数据压缩领域，具体涉及一种DNA自索引滑动窗口压缩算法。

背景技术

随着测序技术的发展，尤其是三代测序技术的出现，使得测序飞速增加并且大量积累主流的压缩技术，如CRAM、Quip压缩二代数据效果较好，压缩三代数据表现较差。基于TPBWT的LYZip压缩工具可以很好地压缩三代DNA数据，达到非常高的压缩比。但是灵活性较差，不能够按照用户需求压缩指定区间数据，压缩耗时长，无法实现多线程压缩。

针对上述问题，提取一种针对三代测序数据，并且能够按照用户需要灵活高效，并且能够保持高压缩比的压缩方法十分必要。

发明内容

本发明的目的是为了解决现有压缩工具LYZip不能够按照用户需求压缩指定区间数据，压缩耗时长，无法实现多线程压缩问题，而提出一种基于TPBWT自索引结构滑动窗口压缩方法。

一种基于TPBWT自索引结构滑动窗口压缩方法具体过程为：

步骤一、数据预处理；

步骤二、对步骤一预处理后数据进行分块处理；

步骤三、对步骤二分块处理后的每一块进行分流处理；

步骤四：将步骤三分流处理后的数据整合为一个压缩文件。

本发明的有益效果为：

基于TPBWT自索引结构滑动窗口压缩方法是以LYZip核心算法为基础，通过比对参考基因序列和指定压缩窗体区间大小，动态的压缩三代重测序DNA测序数据的压缩工具。

滑动窗口压缩算法是以TPBWT自索引结构为基础，针对三代重测序DNA数据的压缩算法。碱基序列的具体压缩过程中不需要引入参考基因组，但是整个工作流在预处理阶段需要输入参考序列，目的是设置间隔标志位。该算法相对于LYZip中提出的TPBWT压缩算法可以按照需求设置滑动窗口大小，实现并发多线程压缩，降低压缩时常；设置滑动窗体区间实现对于指定区间测序序列的动态压缩。相较于LYZip压缩算法，该算法更加灵活，高效，省时。

附图说明

图1为本发明滑动窗口算法流程图；

图2为本发明压缩框架图；

图3为待压缩的三代DNA测序短读序列比对到参考基因组之后的排列图。

具体实施方式

具体实施方式一：结合图1、图2说明本实施方式，本实施方式一种基于TPBWT自索引结构滑动窗口压缩方法具体过程为：

步骤一、数据预处理；

步骤二、对步骤一预处理后数据进行分块处理；

步骤三、对步骤二分块处理后的每一块进行分流处理；

步骤四：将步骤三分流处理后的数据整合为一个压缩文件。

具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中数据预处理；具体过程为：

步骤一为数据预处理，就是将sam格式的数据处理成能够压缩的形式。