[发明专利]一种基于参考的基因压缩方法

权利要求书

1.一种基于参考的基因压缩方法，其特征在于，步骤包括：

步骤S1：获取当前待压缩的base行数据直接压缩的代价cost0；

步骤S2:将直接压缩的代价cost0与基于参考基因组的压缩代价cost2进行比较，如果cost0小于等于cost2，则用直接压缩的方法压缩当前base行；否则用基于参考基因组的压缩方法压缩当前base行。

2.根据权利要求1所述的基于参考的基因压缩方法，其特征在于，所述步骤S1包括：

步骤S101:读取当前待压缩的base行数据curr_base,其长度为len；

步骤S102:计算当前base行直接压缩的代价cost0；

3.根据权利要求2所述的基于参考的基因压缩方法，其特征在于，所述步骤S102中，cost0的计算方法为：

cost0＝cost_noref(curr_base,len)

其中cost_noref为直接压缩的代价预估方法，用实际的压缩方法去进行压缩，得到压缩后的bits数，用压缩后的bits代表cost0。

4.根据权利要求2所述的基于参考的基因压缩方法，其特征在于，所述步骤S102中，cost_noref的预估流程为：

步骤S1000：对curr_base进行游程编码，获取编码bits数，记为GIS_bits(curr_base)；

步骤S1001：cost0＝GIS_bits(curr_base)。

5.根据权利要求1-4中任意一项所述的基于参考的基因压缩方法，其特征在于，所述步骤S2中，从参考基因组中搜索与curr_base的最佳匹配序列curr_ref和匹配ref_pos；计算当前base行采用最佳匹配序列curr_ref进行压缩的代价cost2。

6.根据权利要求5所述的基于参考的基因压缩方法，其特征在于，所述步骤S2中，cost2的计算方法如下：

cost2＝cost_ref(curr_base,curr_ref,len,ref_pos)

其中cost_ref为基于参考基因序列的代价预估方法，先计算curr_base与curr_ref的异或curr_nor，计算压缩curr_nor的bits数和ref_pos的编码bits数的和来估算。

7.根据权利要求5所述的基于参考的基因压缩方法，其特征在于，所述步骤S2中，所述cost_ref的预估流程为：

步骤S10000：对curr_base和curr_ref进行异或，得到curr_nor序列；

步骤S10001：对curr_nor进行游程编码，获取编码bits数，记为GIS_bits(curr_nor)；

步骤S10002：ref_pos为4个bits；

步骤S10003：估算curr_ref的bits，对curr_ref进行GZ编码得到编码bits数，记为GZ-bits(curr_ref)，计算cost2时对该值进行加权，统计当前该基因片段被参考的次数为N_refed，加权系数w设置为如下函数：

w＝0.2 当N_refed＝5时；

w＝1/N_refed 当N_refed5时；

步骤S1004：cost2＝GIS_bits(curr_nor)+4+GZ_bits(curr_ref)*w。