[发明专利]基因测序数据的压缩方法

权利要求书

1.基因测序数据的压缩方法，其特征在于，包括：

将质量数据序列改写成{q,r}的形式，其中q为质量数据，r为该质量数据的重复次数；

分别用不同的统计属性对质量数据q和重复次数r进行熵编码。

2.如权利要求1所述的基因测序数据的压缩方法，其特征在于，采用基于上下文建模编码的方式对质量数据q和重复次数r进行编码，具体包括：

设待编码的序列为s＝{s0,s1,s2,…,sn,…}，对每个待编码的符号sn,首先选择与它的概率分布函数相关的信息作为它的上下文模型c；可选的上下文模型选择包含：

1)在sn之前出现的符号{si|n-L<i<n}；

2)符号sn的位置n；

3)和序列s分布相关其他序列；

在选择了上下文模型后，通过预扫描的办法或自适应的办法，建立不同上下文模型下sn的概率分布函数P(sn|c)；

根据P(sn|c)对sn进行熵编码。

3.如权利要求1所述的基因测序数据的压缩方法，其特征在于，还包括：

对系列标识进行tokenize操作；

对tokenize操作后得到的数据{xi|i＝1,…,N}进行移位处理，得到高位数据{hi＝xi&gt;>L|i＝1,…,N}和低位数据{li&(1<<L-1}|i＝1,…,N},其中，L是一个大于或等于0的整数，代表移位量，&gt;&gt;和&lt;&lt;分别代表右移和左移操作；

对高位数据{hi|i＝1,…,N}进行熵编码；

对低位数据{li|i＝1,…,N}不编码进行直接传输。

4.如权利要求3所述的基因测序数据的压缩方法，其特征在于，对高位数据{hi|i＝1,…,N}进行熵编码具体包括：

使用预扫描的办法先建立起经验概率函数P(h)，

P(h)＝|{hi|hi＝h；i＝1,…,N}|/N；其中，操作符|·|表示计算集合里面元素的个数；

再使用得到的经验概率函数P(h)利用算术编码对高位数据{hi|i＝1,…,N}进行编码。

5.如权利要求4所述的基因测序数据的压缩方法，其特征在于：利用经验概率函数P(h)对高位数据{hi|i＝1,…,N}中的h1进行编码之后，在每次编码hi,i＝2,…,N之前，都利用之前编码过的hi-1的值对P(h)进行更新，更新方式为：

若h＝hi-1，则P’(h)＝(KP(h)+1)/(K+1),；

否则，P’(h)＝KP(h)/(K+1)；

其中，K为一个大于0的常数。