一種將基因信息進(jìn)行二進(jìn)制表示的存儲方法
【專利摘要】本發(fā)明公開了一種將基因信息進(jìn)行二進(jìn)制表示的存儲方法，所述的方法包括：根據(jù)DNA雙鏈結(jié)構(gòu)及堿基配對，由字符代表匹配的堿基對；將四種堿基對進(jìn)行數(shù)值定義并用兩位二進(jìn)制數(shù)來表示；三個(gè)堿基對組成的堿基組以6位二進(jìn)制數(shù)值和2位固定賦值組成一個(gè)8位一字節(jié)的二進(jìn)制數(shù)值表示；以線性映射的方式，將64種堿基組0～63根據(jù)Y＝4X、或Y＝4X+1、或Y＝4X+2、或Y＝4X+3的公式均勻映射到0～255中，并將0～255所有數(shù)值轉(zhuǎn)換為8位二進(jìn)制數(shù)，以二進(jìn)制字節(jié)流形式的數(shù)據(jù)信息進(jìn)行存儲。
【專利說明】
-種將基因信息進(jìn)行二進(jìn)制表示的存儲方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及生物信息領(lǐng)域，設(shè)及基因檢測后數(shù)據(jù)存儲的處理技術(shù)，是一種將基因 信息進(jìn)行二進(jìn)制表示的存儲方法。
【背景技術(shù)】
[0002] 高通量基因測序技術(shù)的成熟與普及，使得基因檢測的成本也逐漸降低，測序時(shí)間 更快，而隨著最新的更高通量、更快、成本更低的基因測序技術(shù)的研發(fā)與商業(yè)化，基因測序 業(yè)已走進(jìn)個(gè)人基因檢測的商業(yè)化模式。然而，基因檢測所得的數(shù)據(jù)是海量的，在測序輸出的 數(shù)據(jù)存儲格式上，一般WSAM(Sequence Alignment Map)/BAM(Binary Alignment Map)格 式存儲能夠緊湊的表示出核巧酸序列。運(yùn)種傳統(tǒng)格式存儲不但占用巨大的存儲空間，而且 不利于對基因數(shù)據(jù)進(jìn)行進(jìn)一步的分析(如人工智能的數(shù)據(jù)挖掘）。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于提供一種基因測序后數(shù)據(jù)信息的二進(jìn)制表示的存儲方法;通過 把生物基因的四種堿基對(A，T，G，C)轉(zhuǎn)換成二進(jìn)制形式。在縮小了存儲空間的同時(shí)能更加 便捷的讀取分析基因信息。
[0004] 為解決上述問題，本發(fā)明提供W下技術(shù)方案：
[0005] DNA(Deo巧ribonucleic acid)，即脫氧核糖核酸，是一種分子，雙鏈雙螺旋結(jié)構(gòu)， 由脫氧核糖核巧酸(成分為:脫氧核糖、憐酸及四種含氮堿基)組成?？山M成遺傳指令，引導(dǎo) 生物發(fā)育與生命機(jī)能運(yùn)作，帶有遺傳信息的DNA片段稱為基因。脫氧核巧酸是基因的基本結(jié) 構(gòu)和功能單位，決定生物的多樣性的就是脫氧核巧酸中四種堿基:腺嚷嶺(adenine,縮寫為 A)、胸腺喀晚（thymine，縮寫為T)、胞喀晚（c}ftosine，縮寫為C)和鳥嚷嶺(guanine,縮寫為 G)的排列順序不同。基因測序得到四種堿基排列順序的數(shù)據(jù)信息，將四種堿基排列順序W 二進(jìn)制形式表示并進(jìn)行存儲，從而減少存儲空間的使用，也方便讀取分析基因信息，為基 因信息的大數(shù)據(jù)挖掘、人工智能數(shù)據(jù)分析創(chuàng)造良好的應(yīng)用基礎(chǔ)。
[0006] -種基因信息的二進(jìn)制存儲方法，其特征在于，所述的方法包括：
[0007] 根據(jù)DNA雙鏈結(jié)構(gòu)及堿基配對，由字符代表匹配的堿基對；
[000引將四種堿基對進(jìn)行數(shù)值定義并用兩位二進(jìn)制數(shù)來表示；
[0009]=個(gè)堿基對組成的堿基組W6位二進(jìn)制數(shù)值和2位固定賦值組成一個(gè)8位一字節(jié)的 二進(jìn)制數(shù)值表示；
[0010] W線性映射的方式，將64種堿基組0~63根據(jù)Y = 4X、或Y = 4X+1、或Y = 4X+2、或Y = 4X+3的公式均勻映射到0~255中，并將0~255所有數(shù)值轉(zhuǎn)換為8位二進(jìn)制數(shù)，W二進(jìn)制字節(jié) 流形式的數(shù)據(jù)信息進(jìn)行存儲。
[0011] 作為本發(fā)明的進(jìn)一步技術(shù)方案：由字符代表匹配的堿基對，根據(jù)堿基的固定配對， 由字符4，1'，6，巧且成的字符文件，其中每一個(gè)字符代表一個(gè)堿基對，轉(zhuǎn)換方式如下所示：
[0012] A：A = T；T：T=A；G：G = C；C：C=G〇
[0013] 作為本發(fā)明的進(jìn)一步技術(shù)方案:將四種堿基對進(jìn)行數(shù)值定義并用兩位二進(jìn)制數(shù)來 表示，A、T、G、C四種堿基對，利用計(jì)算機(jī)二進(jìn)制方法，分別用2位的二進(jìn)制數(shù)值來表示，可W 有24種組合的表示方法，舉例1中組合如下：
[0014] a = 00、T = 01、G = 10、C=11。
[0015] 作為本發(fā)明的進(jìn)一步技術(shù)方案:堿基組的8位二進(jìn)制數(shù)值表示方法，=個(gè)堿基對組 成的堿基組W6位二進(jìn)制數(shù)值和2位固定賦值組成一個(gè)8位一字節(jié)的二進(jìn)制數(shù)值來表示;2位 的固定賦值可W用〇〇、〇1、1〇、11作為固定值來填充表示；^高位固定賦值是11，由堿基對八、 T、G組合成的堿基組其兩位二進(jìn)制數(shù)表示分別是00、01、10為例，由堿基對4、1\6組成的堿基 組的二進(jìn)制表示為:ATG = 11000110。
[0016] 作為本發(fā)明的進(jìn)一步技術(shù)方案：W線性映射的方式，將64種堿基組進(jìn)行數(shù)值映射 并轉(zhuǎn)換成8位二進(jìn)制數(shù)值，根據(jù)線性映射的方式，將賦值之后的64種堿基組0~63根據(jù)Y = 4X、或Y = 4X+1、或Y = 4X+2、或Y = 4X+3的公式均勻映射到0~255中，并將0~255所有數(shù)值轉(zhuǎn) 換為8位二進(jìn)制數(shù);通過該賦值與映射的方式，每一個(gè)堿基組即可得到一個(gè)固定的8位二進(jìn) 制數(shù)，所有堿基組組合在一起便形成二進(jìn)制字節(jié)流，得到與基因信息兩位代表轉(zhuǎn)換法轉(zhuǎn)換 之后同樣形式的字節(jié)流。
[0017] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是:本發(fā)明通過把生物基因的四種堿基對(A， T，G，C)轉(zhuǎn)換成二進(jìn)制形式。在縮小了存儲空間的同時(shí)能更加便捷的讀取分析基因信息。
【附圖說明】
[0018] 圖1是字符與堿基對對應(yīng)轉(zhuǎn)換關(guān)系圖。
【具體實(shí)施方式】
[0019] 下面將對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施 例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通 技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范 圍。
[0020] 參見說明書附圖1，本發(fā)明提供一種技術(shù)方案：
[0021 ] DNA(Deo巧ribonucleic acid)，即脫氧核糖核酸，是一種分子，雙鏈雙螺旋結(jié)構(gòu)， 由脫氧核糖核巧酸(成分為:脫氧核糖、憐酸及四種含氮堿基)組成。可組成遺傳指令，引導(dǎo) 生物發(fā)育與生命機(jī)能運(yùn)作，帶有遺傳信息的DNA片段稱為基因。脫氧核巧酸是基因的基本結(jié) 構(gòu)和功能單位，決定生物的多樣性的就是脫氧核巧酸中四種堿基:腺嚷嶺(adenine,縮寫為 A)、胸腺喀晚（thymine，縮寫為T)、胞喀晚（c}ftosine，縮寫為C)和鳥嚷嶺(guanine,縮寫為 G)的排列順序不同?；驕y序得到四種堿基排列順序的數(shù)據(jù)信息，將四種堿基排列順序W 二進(jìn)制形式表示并進(jìn)行存儲，從而減少存儲空間的使用，也方便讀取分析基因信息，為基 因信息的大數(shù)據(jù)挖掘、人工智能數(shù)據(jù)分析創(chuàng)造良好的應(yīng)用基礎(chǔ)。
[0022] 在DNA雙鏈結(jié)構(gòu)中，堿基的互補(bǔ)配對是固定的，A = T、G = C，所W，由字符A，T，G，C組 成的字符文件，其中每一個(gè)字符代表一個(gè)堿基對，轉(zhuǎn)換方式如下所示：
[0023] A：A = T；T：T=A；G：G = C；C：C=G
[0024] 堿基對示例:T ACGAACTGCTA
[002引 ATGCTTGACGAT
[0026] 如上所示，雙鏈上的兩個(gè)互補(bǔ)配對的堿基稱為一個(gè)堿基對，如A = T、T = A、G = C、C =G等，=個(gè)相鄰的堿基對編成一組堿基組。
[0027] 可W利用計(jì)算機(jī)二進(jìn)制方法，對每一個(gè)堿基對進(jìn)行數(shù)值定義并用兩位二進(jìn)制數(shù)來 表示。所有二進(jìn)制組合如下表： 「00281
[0029]
[0030] DNA上每=個(gè)相鄰堿基對編成一組命名為堿基組，當(dāng)堿基組位于基因上時(shí)，每個(gè)堿 基組對應(yīng)一個(gè)密碼子W及氨基酸。堿基組通過兩位代表法轉(zhuǎn)換之后生成了一個(gè)6位的二進(jìn) 制數(shù)值，并且可W將運(yùn)個(gè)6位數(shù)據(jù)存儲到一個(gè)字節(jié)(8位)的高位或低位，剩余的2位數(shù)值可用 00,01，10,11作為固定值來填充。W高位固定賦值是11，由=個(gè)堿基對A、T、G組合成的堿基 組其兩位二進(jìn)制數(shù)表示分別是〇〇、〇1、1〇為例，因此由=個(gè)堿基對A、T、G組成的堿基組的二 進(jìn)制表示為ATG = 11000110。
[0031] 每個(gè)堿基組都是可W用一個(gè)8位二進(jìn)制數(shù)(一個(gè)字節(jié))來表示。當(dāng)所有堿基組都使 用二進(jìn)制數(shù)表示之后，即得到一個(gè)新的由二進(jìn)制數(shù)字節(jié)流表示的基因信息，再利用字節(jié)流 圖像表示的方式便可得到一個(gè)基因信息轉(zhuǎn)化而成的可視化圖像，通過運(yùn)種方式可W對基因 進(jìn)行更加直觀的研究與分析，并且在存儲上節(jié)省了大量的存儲空間。
[0032] 每個(gè)堿基組由=個(gè)堿基對組成，堿基對共有四種組合，所W每個(gè)堿基組有4~3 = 64 種組合方式。對基因的64種堿基組進(jìn)行重新編碼，將64種堿基組賦予0-63的編號，然后通過 線性映射或可選閥值映射的方式映射到0~255的范圍，從而得到一個(gè)新的字節(jié)流。堿基組 編號如下表所不： r00331

[0034] 線性映射可W有四種方式:Y = 4X、或Y = 4X+1、或Y = 4X+2、或Y = 4X+3,根據(jù)線性映 射的方式，將賦值之后的64種堿基組WY = 4X、或Y = 4X+1、或Y = 4X+2、或Y = 4X+3的公式均 勻映射到0~255中，并將0~255所有數(shù)值轉(zhuǎn)換為8位二進(jìn)制數(shù)，通過該賦值與映射的方式， 每一個(gè)堿基組即可得到一個(gè)固定的8位二進(jìn)制數(shù)，所有堿基組的組合在一起便形成二進(jìn)制 字節(jié)流，得到與基因信息兩位代表轉(zhuǎn)換法轉(zhuǎn)換之后同樣形式的字節(jié)流。W映射公式Y(jié) = 4X+1 為例，映射結(jié)果如下表：
[0035]
[0036] 通過基因的兩位代表轉(zhuǎn)換法W及基因信息映射轉(zhuǎn)換法都可W將多個(gè)DNA序列存儲 在一個(gè)具有隨機(jī)存取格式的二進(jìn)制文件當(dāng)中。文件可包含DNA信息W及需要隱藏的信息。
[0037] 利用數(shù)據(jù)賦值、兩位二進(jìn)制數(shù)表示，對堿基組進(jìn)行重新編碼，編碼之后形成的便是 字節(jié)流形式的基因數(shù)據(jù)信息，運(yùn)種數(shù)據(jù)可W通過字節(jié)流圖像表示的方式對基因信息進(jìn)行可 視化轉(zhuǎn)換，也可W進(jìn)行W機(jī)器學(xué)習(xí)的算法進(jìn)行數(shù)據(jù)挖掘。
[0038] 盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，對于本領(lǐng)域的普通技術(shù)人員而言，可W 理解在不脫離本發(fā)明的原理和精神的情況下可W對運(yùn)些實(shí)施例進(jìn)行多種變化、修改、替換 和變型，本發(fā)明的范圍由所附權(quán)利要求及其等同物限定。
【主權(quán)項(xiàng)】
1. 一種將基因信息進(jìn)行二進(jìn)制表示的存儲方法，其特征在于，所述的方法包括： 根據(jù)DNA雙鏈結(jié)構(gòu)及堿基配對，由字符代表匹配的堿基對； 將四種堿基對進(jìn)行數(shù)值定義并用兩位二進(jìn)制數(shù)來表示； 三個(gè)堿基對組成的堿基組以6位二進(jìn)制數(shù)值和2位固定賦值組成一個(gè)8位一字節(jié)的二進(jìn) 制數(shù)值表示； 以線性映射的方式，將64種堿基組0~63根據(jù)Y = 4X、或Y = 4X+1、或Y = 4X+2、或Y = 4X+3 的公式均勻映射到0~255中，并將0~255所有數(shù)值轉(zhuǎn)換為8位二進(jìn)制數(shù)，以二進(jìn)制字節(jié)流形 式的數(shù)據(jù)信息進(jìn)行存儲。2. 根據(jù)權(quán)利要求1所述的一種將基因信息進(jìn)行二進(jìn)制表示的存儲方法，由字符代表匹 配的堿基對，其特征在于:根據(jù)堿基的固定配對，由字符A，T，G，C組成的字符文件，其中每一 個(gè)字符代表一個(gè)堿基對，轉(zhuǎn)換方式如下所示： A：A = T；T：T=A；G：G = C；C：C = G〇3. 根據(jù)權(quán)利要求1所述的一種基因信息的二進(jìn)制存儲方法，將四種堿基對進(jìn)行數(shù)值定 義并用兩位二進(jìn)制數(shù)來表示，其特征在于4、1\6、(：四種堿基對，利用計(jì)算機(jī)二進(jìn)制方法，分 別用2位的二進(jìn)制數(shù)值來表示，可以有24種組合的表示方法，舉例1中組合如下： A = 00、T = 01、G=10、C=11〇4. 根據(jù)權(quán)利要求1所述的一種將基因信息進(jìn)行二進(jìn)制表示的存儲方法，堿基組的8位二 進(jìn)制數(shù)值表示方法，其特征在于:三個(gè)堿基對組成的堿基組以6位二進(jìn)制數(shù)值和2位固定賦 值組成一個(gè)8位一字節(jié)的二進(jìn)制數(shù)值來表示;2位的固定賦值可以用00、01、10、11作為固定 值來填充表示；以高位固定賦值是11，由堿基對A、T、G組合成的堿基組其兩位二進(jìn)制數(shù)表示 分別是00、01、10為例，由堿基對A、T、G組成的堿基組的二進(jìn)制表示為:ATG = 11000110。5. 根據(jù)權(quán)利要求1所述的一種將基因信息進(jìn)行二進(jìn)制表示的存儲方法，以線性映射的 方式，將64種堿基組進(jìn)行數(shù)值映射并轉(zhuǎn)換成8位二進(jìn)制數(shù)值，其特征在于:根據(jù)線性映射的 方式，將賦值之后的64種堿基組0~63根據(jù)Y = 4X、或Y = 4X+1、或Y = 4X+2、或Y = 4X+3的公式 均勻映射到〇~255中，并將0~255所有數(shù)值轉(zhuǎn)換為8位二進(jìn)制數(shù);通過該賦值與映射的方 式，每一個(gè)堿基組即可得到一個(gè)固定的8位二進(jìn)制數(shù)，所有堿基組組合在一起便形成二進(jìn)制 字節(jié)流，得到與基因信息兩位代表轉(zhuǎn)換法轉(zhuǎn)換之后同樣形式的字節(jié)流。
【文檔編號】G06F19/28GK106022006SQ201610390134
【公開日】2016年10月12日
【申請日】2016年6月2日
【發(fā)明人】謝清祿, 徐宏鍇, 朱軍, 余孟春
【申請人】廣州麥侖信息科技有限公司