基因测序需要什么计算机水平,基因测序数据压缩方法、系统及计算机可读介质与流程...

技术特征：

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。

2.根据权利要求1所述的基因测序数据压缩方法，其特征在于，步骤2)的实施步骤包括：

2.1)从基因测序数据样本data中遍历获取一条读长为Lr的读序列R，针对读序列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子字符串作为短串K-mer得到读序列短串集合KR；

2.2)按照顺序生成定长子字符串作为短串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；

2.3)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；

2.4)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；

2.5)判断基因测序数据样本data中的读序列R是否遍历完毕，如果尚未遍历完毕，则跳转执行步骤2.1)；否则结束并退出。

3.根据权利要求2所述的基因测序数据压缩方法，其特征在于，步骤2.2)的详细步骤包括：

2.2.1)针对读序列短串集合KR顺序提取短串K-mer，基于短串K-mer构造正链预测序列KP1，正链预测序列KP1中对于读序列短串集合KR中任意短串K-mer均存在一个对应的元组(k-mer,0)，其中k-mer为短串K-mer，0表示假设该短串K-mer来自正链；

2.2.2)针对正链预测序列KP1中的每一个元组(k-mer,0)通过预测数据模型P1获取其对应的预测字符c，得到所有预测字符c构成的正链预测字符序列PS1；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及其相邻位对应的预测字符c；

2.2.3)针对读序列短串集合KR顺序提取短串K-mer，基于短串K-mer构造负链预测序列KP2，负链预测序列KP2中对于读序列短串集合KR中任意短串K-mer均存在一个对应的元组(k-mer,1)，其中k-mer为短串K-mer，1表示假设该短串K-mer来自负链；

2.2.4)针对负链预测序列KP2中的每一个元组(k-mer,1)通过预测数据模型P1获取其相邻位对应的预测字符c，得到所有预测字符c构成的负链预测字符序列PS2；

2.2.5)计算正链预测字符序列PS1、读序列R中不含k位原始基因字母的Lr-k位原始基因字母两者之间的编辑距离L1，计算负链预测字符序列PS2、读序列R中不含k位原始基因字母的Lr-k位原始基因字母两者之间的编辑距离L2；

2.2.6)判断编辑距离为L1小于L2是否成立，如果成立则判定读序列R的正负链类别d为正链、将正链预测字符序列PS1作为Lr-k位的预测字符集PS；否则，判定读序列R的正负链类别d为负链、将负链预测字符序列PS2作为Lr-k位的预测字符集PS。

4.根据权利要求3所述的基因测序数据压缩方法，其特征在于，所述预测数据模型P1为长度为L的基因字符串，步骤2.2.2)针对正链预测序列KP1中的每一个元组(k-mer,0)通过预测数据模型P1获取其相邻位对应的预测字符c的详细步骤包括：

2.2.2.1)使用预测数据模型P1对应的映射函数将正链预测序列KP1中的每一个元组(k-mer,0)映射到一个[0,L]范围的整数集合中的某一行，其中L是整数集合的上确界，整数集合的上确界L与预测数据模型P1的长度相同，0是整数集合的下确界，根据映射结果生成一维表T1，一维表T1的长度为(Lr–k+1)，一维表T1中的第i个元素T1[i]分别顺序存储映射至整数集合中第i行的元组(k-mer,0)对应的映射函数的值，i∈[0，Lr - k]；

2.2.2.2)根据一维表T1各个元组(k-mer,0)对应的映射函数的值从预测数据模型P1获取在其相邻位对应的预测字符c生成一维字符序列PS1，使得一维字符序列PS1的第i位PS1[i]的值等于预测数据模型P1中的第i位字符P1[T1[i]] ，预测数据模型P1中的第i位字符P1[T1[i]]为映射函数的值为PS1[i]对应的元组(k-mer,0) 对应的预测字符c，其中i∈[0，Lr - k]，Lr为读序列R的读长，k为短串K-mer的长度。

5.根据权利要求4所述的基因测序数据压缩方法，其特征在于，步骤2.2.4)针对负链预测序列KP2中的每一个元组(k-mer,1)通过预测数据模型P1获取其相邻位对应的预测字符c的详细步骤包括：

2.2.4.1)使用预测数据模型P1对应的映射函数将负链预测序列KP2中的每一个元组(k-mer,1)映射到一个[0,L]范围的整数集合中的某一行，其中L是整数集合的上确界，整数集合的上确界L与预测数据模型P1的长度相同，0是整数集合的下确界，根据映射结果生成一维表T2，一维表T2中长度为(Lr–k+1)，一维表T2中的第i个元素T2[i] 分别顺序存储映射至整数集合中第i行的元组(k-mer,1)对应的映射函数的值，i∈[0，Lr-k]；

2.2.4.2)根据一维表T2各个元组(k-mer,1)对应的映射函数的值从预测数据模型P1获取在其相邻位对应的预测字符c生成一维字符序列PS2，使得一维字符序列PS2的第i位PS2[i]的值等于预测数据模型P1中的第i位字符P1[T2[i]]，预测数据模型P1中的第i位字符P1[T2[i]]为映射函数的值为PS2[i]对应的元组(k-mer,0) 对应的预测字符c，其中i∈[0，Lr-k]，Lr为读序列R的读长，k为短串K-mer的长度。

6.根据权利要求3所述的基因测序数据压缩方法，其特征在于，所述预测数据模型P1为预先基于参考基因组中的短串K-mer及其相邻位对应的碱基字母c0完成训练的神经网络模型；步骤2.2.2)针对正链预测序列KP1中的每一个元组(k-mer,0)通过预测数据模型P1的映射函数映射获取其对应的预测字符c具体是指将正链预测序列KP1中的每一个元组(k-mer,0)输入神经网络模型，得到该元组(k-mer,0)对应的预测字符c；步骤2.2.4)针对负链预测序列KP2中的每一个元组(k-mer,1)通过预测数据模型P1的映射函数映射获取其相邻位对应的预测字符c具体是指将正链预测序列KP2中的每一个元组(k-mer,1)输入神经网络模型，得到该元组(k-mer,1)对应的预测字符c。

7.根据权利要求1所述的基因测序数据压缩方法，其特征在于，步骤2)中的可逆函数具体采用XOR异或函数或者位减法函数。

8.根据权利要求1所述的基因测序数据压缩方法，其特征在于，步骤2)中的压缩具体是指使用统计模型和熵编码进行压缩。

9.一种基因测序数据压缩系统，包括计算机系统，其特征在于，所述计算机系统被编程以执行权利要求1～8中任意一项所述的基因测序数据压缩方法的步骤。

10.一种计算机可读介质，所述计算机可读介质上存储有计算机程序，其特征在于，所述计算机程序使计算机执行权利要求1～8中任意一项所述的基因测序数据压缩方法的步骤。