[发明专利]基因测序数据压缩方法、系统及计算机可读介质

摘要

本发明公开了一种基因测序数据压缩方法、系统及计算机可读介质，压缩方法包括遍历获取读长为Lr的读序列，针对每一条读序列生成短串K‑mer，选择原始基因字符串CS0并确定正负链类型d，通过预测数据模型P1获取每个短串K‑mer的预测字符c得到预测字符集PS，将读序列R的Lr‑k位、预测字符集PS编码后通过可逆函数进行可逆运算；将读序列R的正负链类型d、CS0及可逆运算结果压缩输出。本发明具有压缩率低，压缩时间短，压缩性能稳定的优点，不需要对基因数据进行精准比对，有较高的计算效率，预测数据模型P1的预测准确度越高，则可逆运算结果中的重复字符串就越多，压缩的压缩率就越低。

主权项

1.一种基因测序数据压缩方法，其特征在于实施步骤包括：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k位长度作为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，所述可逆函数将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。