一种基于参考的基因压缩方法与流程

1.本发明主要涉及到基因检测技术领域，特指一种基于参考的基因压缩方法。


背景技术：

2.现有基因检测过程中，需要对基因进行压缩。传统一般的基因压缩是采用base行压缩的方式，步骤为：
3.步骤s1:读取出当前待压缩的base行序列seq；
4.步骤s2:搜索整个参考基因组，找出与当前base行最接近的基因序列，作为匹配序列标记为seq_ref；
5.步骤s3:计算seq与seq_ref的异或序列seq_nor；
6.步骤s4:对seq_nor进行编码序列enc_nor。
7.上述这类传统方案存在不足：一般情况下搜索到的参考基因序列与原序列存在差异，有时候直接压缩比基于参考序列更容易压缩。
8.例如：采用游程编码压缩，如(仅表示压缩时的效果，真实情况并非一定按照该方法压缩)
9.seq:”tttttttttttttttt”直接压缩为：16个t，压缩仅消耗2个byte
10.seq_ref:”ttttatttttttttta”11.seq_nor:“0000100000000001”压缩为：4个0，1个1，15个0，1个1，压缩消耗8个byte
12.(1)参考序列还需要另外添加匹配的位置信息，一般位置信息是一个64位的整数，也会增加编码后的bits数。
13.(2)搜索当前base行对应的参考基因组的过程非常耗时。


技术实现要素：

14.本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、操作简便、整体开销小、效率高的基于参考的基因压缩方法。
15.为解决上述技术问题，本发明采用以下技术方案：
16.一种基于参考的基因压缩方法，其步骤包括：
17.步骤s1：获取当前待压缩的base行数据直接压缩的代价cost0；
18.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。
19.作为本发明方法的进一步改进：所述步骤s1包括：
20.步骤s101:读取当前待压缩的base行数据curr_base,其长度为len；
21.步骤s102:计算当前base行直接压缩的代价cost0；
22.作为本发明方法的进一步改进：所述步骤s102中，cost0的计算方法为：
23.cost0＝cost_noref(curr_base,len)
24.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。
25.作为本发明方法的进一步改进：所述步骤s102中，cost_noref的预估流程为：
26.步骤s1000：对curr_base进行游程编码，获取编码bits数，记为gis_bits(curr_base)；
27.步骤s1001：cost0＝gis_bits(curr_base)。
28.作为本发明方法的进一步改进：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。
29.作为本发明方法的进一步改进：所述步骤s2中，cost2的计算方法如下：
30.cost2＝cost_ref(curr_base,curr_ref,len,ref_pos)
31.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。
32.作为本发明方法的进一步改进：所述步骤s2中，所述cost_ref的预估流程为：
33.步骤s10000：对curr_base和curr_ref进行异或，得到curr_nor序列；
34.步骤s10001：对curr_nor进行游程编码，获取编码bits数，记为gis_bits(curr_nor)；
35.步骤s10002：ref_pos为4个bits；
36.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：
37.w＝0.2当n_refed《＝5时；
38.w＝1/n_refed当n_refed》5时；
39.步骤s1004：cost2＝gis_bits(curr_nor) 4 gz_bits(curr_ref)*w。
40.与现有技术相比，本发明的优点就在于：
41.本发明的基于参考的基因压缩方法，原理简单、操作简便、整体开销小、效率高；本发明将直接压缩的代价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。这样子能够大大提高压缩率。
附图说明
42.图1是本发明方法的流程示意图。
43.图2是本发明在具体应用实例中的流程示意图。
具体实施方式
44.以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
45.如图1和图2所示，本发明的基于参考的基因压缩方法，其步骤包括：
46.步骤s1：获取当前待压缩的base行数据直接压缩的代价cost0；
47.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。
48.在具体应用实例中，所述步骤s1包括：
49.步骤s101:读取当前待压缩的base行数据curr_base,其长度为len；
50.步骤s102:计算当前base行直接压缩的代价cost0。
51.作为较佳的实施例，在步骤s102中，cost0的计算方法为：
52.cost0＝cost_noref(curr_base,len)
53.其中cost_noref为直接压缩的代价预估方法，实际操作中可以直接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。
54.可以理解，在其他实施例中，根据实际需要，也可以用简易快速的方法预估该bits。
55.在较佳的另一个实例中，为有效减少代价预估的时间，cost_noref的预估方法的一种实现方式的流程为：
56.步骤s1000：对curr_base进行游程编码，获取编码bits数，该方法记为gis_bits(curr_base)；
57.步骤s1001：cost0＝gis_bits(curr_base)。
58.在具体应用实例中，所述步骤s2中，本发明进一步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；
59.作为较佳的实施例，在步骤s5中，cost2的计算方法如下：
60.cost2＝cost_ref(curr_base,curr_ref,len,ref_pos)
61.其中cost_ref为基于参考基因序列的代价预估方法，实际操作中可以先计算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。
62.可以理解，在其他实施例中，根据实际需要，本发明也可以用一些快速的预估方法。
63.在较佳的另一个实例中，为有效减少代价预估的时间，cost_ref的预估方法的一种实现方式的流程为：
64.步骤s10000：对curr_base和curr_ref进行异或，得到curr_nor序列；
65.步骤s10001：对curr_nor进行游程编码，获取编码bits数，该方法记为gis_bits(curr_nor)；
66.步骤s10002：ref_pos一般为4个bits；
67.步骤s10003：估算curr_ref的bits：对curr_ref进行gz编码得到编码bits数，该方法记为gz-bits(curr_ref)，由于此处该参考基因片段也可能被其他base行参考，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：
68.w＝0.2当n_refed《＝5时
69.w＝1/n_refed当n_refed》5时
70.步骤s1004：cost2＝gis_bits(curr_nor) 4 gz_bits(curr_ref)*w。
71.以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。