[发明专利]基因组核酸片段数量的快速计数算法

摘要

本发明公开了一种快速统计基因组核酸片段数量的算法。该算法针对基因组核酸片段高倍数的特点，将不同的核酸片段合理地分配到内存和硬盘。该算法总是优先将倍数最高的一些核酸片段放置于内存中，而将倍数较低的核酸片段存储在硬盘上。通过本发明提出的算法，任何基因组核酸片段数量的计数都可在有限内存的限制下完成。

主权项

一种快速统计基因组核酸片段数量的算法，该方法可在有限内存的限制条件下完成核酸片段数量的统计。本发明总是优先将高倍数的核酸片段放置于内存，而将低倍数的核酸不断移除到硬盘中。通过不断排序与迭代上述过程，尽可能地提高在内存中计算的比例。其期特征在于，(1)读取原始数据文件，设定参数，包括要统计k‑核酸片段(表示长度为k的核酸片段)的长度k，限定硬盘空间D(bits)，内存空间M(bits)，数据深度(depth)。(2)遍历数据文件一次，将文件利用位运算压缩成二进制，并且建立长度为8‑核酸片段的索引index。同时，获得k‑核酸片段的总个数N。(3)划分迭代次数和k‑核酸片段区段。(4)遍历8‑核酸片段索引一次，等量分配每一个区段内的k‑核酸片段个数。(5)按照不同的数据结构初始化两种存储存储空间，分配在内存，硬盘中，用于存储和计算k‑核酸片段。(6)根据迭代顺序开始计量工作。(7)按照索引区index[i](i∈(划分段)读取压缩文件至内存R，直到内存R使用量达到设定内存空间的40％为止。(8)快速排序已存于R的k‑核酸片段，并合并相同的k‑核酸片段，进行计量，得出的结果存储于Lx(x∈1，2，3..)中。(9)迭代7，8操作，直到已使用内存超过60％。合并L1...n中的k‑核酸片段，并且建立次数索引(10)遍历已统计的k‑核酸片段，根据基因组的深度划分正确基因和错误基因，将重复次数少的写入硬盘，次数多的保存在内存Lx中。每次写入硬盘的文件必须按照划分段来标记，同时，通过遍历索引找到相应的k‑核酸片段写入的最低次数，保证写入k‑核酸片段至硬盘必须释放60％的内存。(11)迭代7‑10操作，直到所有文件读完。(12)此时所有的k‑核酸片段都已经存储于内存(计量次数多的k‑核酸片段)和硬盘(次数少的k‑核酸片段)中。根据划分段，将内存和硬盘中处于同一区段的k‑核酸片段进行合并排序，合并排序的顺序遵循哈弗曼编码方法。(13)完成所有的迭代次数，完成计量工作。