一种基于二联密码子的测序数据压缩方法
【专利摘要】本发明公开了一种基于二联密码子的测序数据压缩方法，包括以下步骤：(1)切割；(2)建立散列表；(3)排序；(4)建立霍夫曼树；(5)编码；(6)计算压缩比，算法的压缩比是8M/L。本发明将测序数据的占用的空间减少了非常多，对于大规模的测序数据的存储和传输起到了非常关键的作用，可以节省本地和云端数据的传输时间。
【专利说明】
一种基于二联密码子的测序数据压缩方法
技术领域
[0001] 本发明涉及生物医药，具体是一种基于二联密码子的测序数据压缩方法。
【背景技术】
[0002] 因为测序序列一般非常长，因此数据量非常大。大数据量的传输，会直接导致带宽 的紧张。特别是有些网络不好的情况，因此考虑到使用压缩策略来降低数据传输的量。互联 网上从本地与云端存储到数据流的一切东西都严重依赖压缩算法，离开了它很可能会变得 非常低效。
[0003] 压缩策略的通用流程包括:第一，输入原始数据，它包含我们需要压缩或减小尺寸 的符号序列。第二，这些符号被压缩器编码。第三，输出结果，即编码过的数据。压缩策略有 两类，有损压缩和无损压缩。如果输出数据和输入数据始终完全相同，那么这个压缩方案被 称为无损压缩。否则，它就是一个有损压缩。无损压缩方案通常被用来压缩文本，可执行程 序，或者其他任何需要完全重建数据的地方。有损压缩方案在图像，音频，视频或者其他为 了提高压缩效率而可以接受某些程度信息丢失的场合很有用处。
[0004] 密码子是信使RNA分子中每相邻的三个核苷酸编成的一组，在蛋白质合成时，代表 某一种氨基酸。信使RNA在细胞中能决定蛋白质分子中的氨基酸种类和排列次序。也就是 说，信使RNA分子中的四种核苷酸AGCU的序列能决定蛋白质分子中的20种氨基酸的序列。而 基于二联密码子的测序数据的特殊之处在于数据只有AGCU这四种字符，没有其他字符。数 据存在一定的规律。每三个字符可作为一个整体看待。基于二联密码子的测序数据可以看 成是一大长串AGCU组成的文本序列。测序数据量一般情况下非常庞大，需要一个高压缩比 的压缩策略，可以节省大量的空间，这将极有利于数据的传输和存储。
[0005] 现有的压缩策略没有考虑到这类测序数据的特殊性，比如哈夫曼编码，根据字符 出现的比率的分布特征而进行压缩编码，在字符和编码之间建立明确的一一对应的关系。 哈夫曼编码采用变长二进制编码，将出现比率高的字符用较短的编码，而出现比率低的用 较长编码，从而实现数据压缩。这种压缩策略没有利用基于二联密码子的测序数据的规律。
【发明内容】
[0006] 本发明的目的在于提供一种基于二联密码子的测序数据压缩方法，以解决上述背 景技术中提出的问题。
[0007] 为实现上述目的，本发明提供如下技术方案：
[0008] -种基于二联密码子的测序数据的压缩方法，包括以下步骤：
[0009] (1)输入一个测序数据文件，文件内容包括一大长串ATCG的字符串序列，将待压缩 的每一条测序序列进行切割，每2个密码子，即6个碱基作为模，一个单元为一模，将6个碱基 转化为模的操作称为模操作，对于测序数据的每一条序列进行模操作；
[0010] (2)建立一个散列表，散列表的key是所有无重复的模，每个key对应的value是每 个模在测序序列中出现的次数；
[0011] (3)步骤(2)中得到的散列表中的value值，称之为频次，将散列表按频次排序；
[0012] (4)建立霍夫曼树:利用（3)中排序好的散列表建立霍夫曼树，定义统计频次的数 组为count，每次取出count数组中的值最小的两个分别作为左右孩子，建立他们的父结点， 父结点的频次等于两个孩子结点的频次的和，将父结点的频次值插入到count数组中，继续 寻找count数组中最小的两个，循环操作2*n-1-n次，其中η是不同的字符的数目，最终会建 立一棵霍夫曼树，霍夫曼树的叶子结点对应了散列表中的所有key;
[0013] (5)编码:对霍夫树的每一个叶子结点进行编码，对一个叶子结点，依次向上寻找 一条通往根结点的最短路径，这条路径代表这个叶子结点的编码;假定当前的结点标号是 i，如果i是myHuffmantree[i] .parent的左结点，则该结点到其父结点的路径编码为0，如果 是右结点，则该结点到其父结点的路径编码为1，当向上找到一个结点，它不存在父结点，就 停止，说明该结点已经是根结点，此时对一个叶子结点的编码完成；
[0014] (6)计算压缩比，进行压缩之前，假设字符有M个，如果采用扩展ASCII码，则8位二 进制数表示一个大写字母，因此平均码长是8M位，压缩之后的平均码长L的计算公式：
[0015] 其中，N指的是切割后映射的字典中字符的个数，P1指的是新字符的频率,S1指的是 新字符的码长，因此，算法的压缩比是8M/L。
[0016] 作为本发明进一步的方案:步骤(4)中建立霍夫曼树过程中，首先把count数组里 面的η个值初始化为霍夫曼树的η个叶子节点，他们的孩子节点的标号初始化为-1，父节点 初始化为他本身的标号。
[0017] 与现有技术相比，本发明的有益效果是:将测序数据的占用空间减少了非常多，对 于大规模的测序数据的存储和传输起到了非常关键的作用，可以节省本地和云端的数据传 输时间。
【附图说明】
[0018] 图1为基于二联密码子的测序数据压缩方法中步骤2中建立的字典示意图。
[0019] 图2为基于二联密码子的测序数据压缩方法中步骤3中的排序图。
[0020] 图3为基于二联密码子的测序数据压缩方法中步骤4中的霍夫曼树的结构示意图。
[0021] 图4为基于二联密码子的测序数据压缩方法中步骤5中的霍夫曼树的结构示意图。
[0022] 图5为基于二联密码子的测序数据压缩方法的流程图。
【具体实施方式】
[0023]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施案例仅仅是本发明的一部分实施例，而不是全部的实施例。 基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有 其他实施例，都属于本发明保护的范围。
[0024] 请参阅图1~5,本发明实施例中，一种基于二联密码子的测序数据压缩方法，包括 以下步骤：
[0025] (1)输入一个测序数据文件，假设输入的测序序列文件中的序列是：
[0026] AUGGUGCU⑶CUCCUGCCCCUGCCCCUGCCGACAAGACCAACACCAACACCAACACCAACGUCAAGGCCGCCUG(; G⑶UGGGGUAAGGUC;将此序列按每6个碱基作为模进行切分，如下:AUGGUG I CUGUCUI CCUGCC CCUGCCI CCUGCCIGACAAG IACCAACIACCAACIACCAACIACCAACI (;UCAAG IGCCGCCIUGGGGUIUGGGGU IAAGGUC。共切分成了 9个无重复的模。
[0027] (2)统计上述(1)中的9个模在测序序列中出现的次数，如图1所示；
[0028] (3)按频次进行排序，排序结果如图2所示；
[0029] (4)建立霍夫曼树，如图3所示；
[0030] (5)进行编码，如图4所示；
[0031] (6)计算压缩比，压缩后的测序序列变成了0100 0101 11 11 11 1000 00 00 00 00 1001 1101 Oil Oil 011 1111，压缩之后是6B，压缩之前是15*6 = 90B，压缩比是15。
[0032] 本发明在于基于二联密码子的测序数据压缩策略，利用了测序数据的内在规律， 采用二联密码子压缩，提高了压缩比例。
[0033]从本地将测序数据传到阿里云等云平台上，如果没有进行压缩，每天测序得到的 数据都非常多，数据量也非常庞大，那么测序数据的压缩策略起到很大作用，进行压缩后， 传输时间将大大节省，从而加快了数据的传播，以及数据的分析和处理，同时，也节省了网 络带宽。
[0034]对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在 不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论 从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权 利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有 变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0035]此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包 含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当 将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员 可以理解的其他实施方式。
【主权项】
1. 一种基于二联密码子的测序数据压缩方法，其特征在于，包括以下步骤： (1) 输入一个测序数据文件，文件内容包括一大长串ATCG的字符串序列，将待压缩的每 一条测序序列进行切割，每2个密码子，即6个碱基作为模，一个单元为一模，将6个碱基转化 为模的操作称为模操作，对于测序数据的每一条序列进行模操作； (2) 建立一个散列表，散列表的key是所有无重复的模，每个key对应的value是每个模 在测序序列中出现的次数； ⑶步骤⑵中得到的散列表中的value值，称之为频次，将散列表按频次排序； (4) 建立霍夫曼树:利用（3)中排序好的散列表建立霍夫曼树，定义统计频次的数组为 count，每次取出count数组中的值最小的两个分别作为左右孩子，建立他们的父结点，父结 点的频次等于两个孩子结点的频次的和，将父结点的频次值插入到count数组中，继续寻找 count数组中最小的两个，循环操作2*n-卜η次，其中η是不同的字符的数目，最终会建立一 棵霍夫曼树，霍夫曼树的叶子结点对应了散列表中的所有key; (5) 编码:对霍夫树的每一个叶子结点进行编码，对一个叶子结点，依次向上寻找一条 通往根结点的最短路径，这条路径代表这个叶子结点的编码;假定当前的结点标号是i，如 果i是myHuffmantree [ i ]. parent的左结点，则该结点到其父结点的路径编码为0，如果是右 结点，则该结点到其父结点的路径编码为1，当向上找到一个结点，它不存在父结点，就停 止，说明该结点已经是根结点，此时对一个叶子结点的编码完成； (6) 计算压缩比，进行压缩之前，假设字符有Μ个，如果采用扩展ASCII码，则8位二进制 数表示一个大写字母，因此平均码长是8M位，压缩之后的平均码长L的计算公式： ^ = ΣΓ=1Ρ(*5? 其中，Ν指的是切割后映射的字典中字符的个数，Pi指的是新字符的频率，Si指的是新字 符的码长，因此，算法的压缩比是8M/L。2. 根据权利要求1所述的基于二联密码子的测序数据压缩方法，其特征在于，步骤(4) 中建立霍夫曼树过程中，首先把count数组里面的η个值初始化为霍夫曼树的η个叶子节点， 他们的孩子节点的标号初始化为-1，父节点初始化为他本身的标号。
【文档编号】H03M7/40GK106067824SQ201610380177
【公开日】2016年11月2日
【申请日】2016年6月2日 公开号201610380177.8, CN 106067824 A, CN 106067824A, CN 201610380177, CN-A-106067824, CN106067824 A, CN106067824A, CN201610380177, CN201610380177.8
【发明人】赵屹, 卜德超, 赵连鹤
【申请人】洛阳晶云信息科技有限公司