基于多参考序列的基因序列分级压缩方法

摘要

本发明提出了一种基于多参考序列的基因序列分级压缩方法，该方法首先将BAM格式文件转化成SAM格式的文件，SAM格式的基因序列由11个强制域和多个可选域构成，将原文件按域提取成12个独立文件，然后对12个文件进行并行压缩：（1）对‘Sequence’域采用基于多个参考序列逐步减半序列长度的分级压缩方法；（2）对于‘Quality Value’域采用k均值聚类结合上下文建模PPMVC压缩的方法；该方案相对于现有的同格式的压缩方案既提高或保证了压缩效率，又提供了压缩等级的多选择性，使得其更有适应性与扩展性。

主权项

一种基于多参考序列的基因序列分级压缩方法，其特征是，首先将BAM格式文件转化成SAM格式的文件，SAM格式的基因序列由11个强制域和多个可选域构成，将可选域作为第12个域，原文件按域提取成12个独立文件，然后对12个文件进行并行压缩：（1）对‘Sequence’域采用基于多个参考序列逐步减半序列长度的分级压缩方法；（2）对于‘Quality Value’域采用k均值聚类结合上下文建模PPMVC压缩的方法；（3）对于剩下的十个域采用基于域内特征和域间相关性的压缩方法。