CN115798591A - 一种基于希尔伯特分形的基因组序列压缩方法 - Google Patents
一种基于希尔伯特分形的基因组序列压缩方法 Download PDFInfo
- Publication number
- CN115798591A CN115798591A CN202211680607.XA CN202211680607A CN115798591A CN 115798591 A CN115798591 A CN 115798591A CN 202211680607 A CN202211680607 A CN 202211680607A CN 115798591 A CN115798591 A CN 115798591A
- Authority
- CN
- China
- Prior art keywords
- sequence
- gene
- compressed
- sequences
- reference sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007906 compression Methods 0.000 title claims abstract description 30
- 230000006835 compression Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 19
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 74
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 4
- 238000013144 data compression Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于希尔伯特分形的基因组序列压缩方法,将待压缩基因序列进行数字化映射,通过欧式距离确定基因参考序列,从而能够更加准确地确定参考序列;对待压缩序列和基因参考序列进行去冗余操作,将去冗余后的参考序列与待压缩序列匹配后,以二元组形式保存;对所有二元组数据采用希尔伯特分形变换进行多模态提取;对提取的各个模态的均值进行降维,消除各个均值之间的线性相关性,针对降维后的各个模态均值,进行单独压缩,从而提高了压缩的效率。
Description
技术领域
本发明涉及生物信息技术领域,尤其涉及一种基于希尔伯特分形的基因组序列压缩方法。
背景技术
近年来,随着新一代测序技术的持续进步,基因测序的速度更快,成本更低,基因测序技术得以在更加广泛的生物、医疗、健康、刑侦、农业等等许多领域被推广应用,从而导致基因测序产生的原始数据量以每年3到5倍、甚至更快的速度***式增长。而且,每个基因测序样本数据又很大,海量的基因测试数据的存储、管理、检索和传输面临技术和成本的挑战。
数据压缩就是缓解这个挑战的技术之一。数据压缩,是为了减少存储空间而把数据转换成比原始格式更紧凑形式的过程。原始的输入数据包含我们需要压缩或减小尺寸的符号序列。这些符号被压缩器编码,输出结果是编码过的数据。通常在之后的某个时间,编码后的数据会被输入到一个解压缩器,在这里数据被解码、重建,并以符号序列的形式输出原始数据。如果输出数据和输入数据始终完全相同,那么这个压缩方案被称为无损的,也称无损编码器。否则,它就是一个有损的压缩方案。
根据对已有的基因测序数据压缩方法的比较研究结果,无论是通用压缩算法、无参考基因组的压缩算法,还是有参考基因组压缩算法,都存在的问题有:1、压缩率还有进一步下降的空间;2、在获得相对较好的压缩率时,算法的压缩/解压时间相对较长,时间成本成为新的问题。此外,与通用压缩算法和无参考基因组压缩算法相比,有参考基因组压缩算法通常能获得更好的压缩率。但是,对于有参考基因组的压缩算法,参考基因组的选择会导致算法性能的稳定性问题,即处理相同的目标样本数据,当选择不同的参考基因组时,压缩算法性能可能存在明显差异;而使用相同的参考基因组选择策略,当处理同种的、不同的基因测序样本数据时,压缩算法的性能同样可能存在明显差异。
发明内容
为了解决上述技术问题,本发明提出了一种基于希尔伯特分形的基因组序列压缩方法,包括如下步骤:
S1、将待压缩基因序列进行数字化映射,通过欧式距离确定基因参考序列;
S2、对待压缩序列和基因参考序列进行去冗余操作;
S3、将去冗余后的参考序列与待压缩序列匹配后,以二元组形式保存;
S4、对所有二元组数据采用希尔伯特分形变换进行多模态提取;
S5、对提取的各个模态的均值进行降维,消除各个均值之间的线性相关性,针对降维后的各个模态均值,进行单独压缩。
进一步地,步骤S1包括:设待压缩基因序列共n条基因序列,将n条基因序列数字化映射为欧氏空间中的高维数字向量,计算每一条基因序列其与其他n一1条基因序列的高维数字向量之间的欧式距离和,并将欧式距离和最小的高维数字向量所代表的基因序列作为基因参考序列。
进一步地,步骤S2包括:
S2.1、计算基因参考序列及待压缩序列的哈希值,将基因参考序列生成的参考哈希值作为索引,将参考哈希值分别与待压缩序列生成的哈希值序列中的各哈希值进行匹配,将不匹配的哈希值序列中的待压缩序列中的多条基因序列除去。
S2.2、按照步长s遍历基因参考序列,获取连续子参考序列,将连续子参考序列作为索引,将匹配的待压缩序列中的多条基因序列按所述索引进行排序。
S2.3、计算连续子参考序列及匹配的待压缩序列中的多条基因序列的哈希值,构成哈希表数据块。
S2.4、将连续子参考序列和匹配的待压缩序列在整个n条基因参考序列中的偏移量***所述哈希表数据块中,记录发生冲突的数据块,针对发生冲突的数据块的各个子参考序列和匹配的待压缩序列进行冗余删除,保留非冗余的子参考序列和匹配的待压缩序列。
进一步地,步骤S4包括:
步骤4.1:建立数据输入***,进行二元组数据采样,以获取二元组数据集合;
步骤4.2:通过希尔伯特分形变换方法将获得的二元组数据集合进行模态分解,把二元组数据集合分解成若干个本征模态。
进一步地,步骤S4.2包括:
步骤4.21:在获得的二元组数据集合x(t)中上加入填充序列ω(t),得到填充后的数据集X(t):
X(t)=x(t)+ω(t);
步骤4.22:运用模态分解将加入填充序列后的数据集X(t)分解为多个模态;
式中,hj为X(t)分解的第j个模态,rn为对X(t)分解后的余态,n为分解的模态数;
步骤4.23:每次在数据集X(t)加入不同的填充序列ωi(t)(i=1,2,…,n),反复重复步骤4.21、4.22,则将第i次分解后的数据Xi(t);
Xi(t)=x(t)+ωi(t);
分解成:
式中,hij为Xi(t)分解的第j个模态,rin为对Xi(t)分解后的余态;
相比于现有技术,本发明具有如下有益技术效果:
将待压缩基因序列进行数字化映射,通过欧式距离确定基因参考序列,从而能够更加准确地确定参考序列;对待压缩序列和基因参考序列进行去冗余操作,将去冗余后的参考序列与待压缩序列匹配后,以二元组形式保存;对所有二元组数据采用希尔伯特分形变换进行多模态提取;对提取的各个模态的均值进行降维,消除各个均值之间的线性相关性,针对降维后的各个模态均值,进行单独压缩,从而提高了压缩的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于希尔伯特分形的基因组序列压缩方法流程示意图。
图2为本发明的对待压缩序列和基因参考序列进行去冗余操作的流程示意图。
图3为本发明的基于希尔伯特分形的基因组序列压缩***结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本发明的具体实施例附图中,为了更好、更清楚的描述***中的各元件的工作原理,表现所述装置中各部分的连接关系,只是明显区分了各元件之间的相对位置关系,并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示为基于希尔伯特分形的基因组序列压缩方法流程示意图,包括如下步骤:
S1、将待压缩基因序列进行数字化映射,通过欧式距离确定基因参考序列。
设待压缩基因序列共n条基因序列,将待压缩基因序列数字化映射为欧氏空间中的高维数字向量,然后对每一条基因序列对应的高维数字向量,计算其与其他n-1条待压缩序列的高维数字向量之间的欧式距离的和,并将欧式距离的和的值最小的高维数字向量所代表的待压缩基因序列作为基因参考序列。
S2、对待压缩序列和基因参考序列进行去冗余操作,如图2所示,具体包括如下步骤:
S2.1、计算基因参考序列及待压缩序列的哈希值,根据基因参考序列生成参考哈希值,作为索引,根待压缩序列生成哈希值序列,将参考哈希值分别与哈希值序列中的各哈希值进行匹配,确定参考哈希值分别相对于哈希值序列中的各哈希值的匹配结果,将不匹配的哈希值序列中的待压缩序列中的多条基因序列除去。
S2.2、针对基因参考序列按照步长s遍历基因参考序列,获取指定长度的连续子参考序列,将子参考序列作为索引,将匹配的待压缩序列中的多条基因序列按所述索引进行排序。
基因参考序列由一连串A、C、T、G组成,为了便于分析和处理数据,本发明引入了连续子参考序列,连续子参考序列是对一小段连续的ACTG参考序列的命名,确定步长s,在基因参考序列中获得多组步长为s的连续子参考序列。
每隔步长s取固定长度的ACTG子参考序列,连续子参考序列的长度即步长s,步长s可自行定义。假定基因参考序列总长度为N,那么对应整个基因参考序列,共有连续子参考序列的个数为N/s,本实施例待压缩序列的去冗余优化方法的目标就是通过算法尽可能的减少待压缩序列的条数,但同时必须保证连续子参考序列的质量。
S2.3、计算各个连续子参考序列的哈希值,构成哈希表数据块。
哈希表数据块是指包含哈希值的多个数据块,每哈希值占用一个数据块,每个数据块的数据除了哈希值外,还可以包括当前数据块是否空闲的信息,哈希值是否冲突的信息,以及当前数据块指向冲突的下一个数据块的索引,用于在数据块内***基因序列、删除基因序列和查询基因序列时,可以根据上述信息完成处理操作。
哈希表数据块容量用于记录哈希表的数据块上限;哈希表数据块中已用的数据块数量用于表示当前已经***哈希值的数量;空闲数据块索引用于表示当前空闲的数据块的位置,用于实现在***基因序列时,可以快速分配数据库给新***的基因序列使用。
s2.4、将连续子参考序列和匹配的待压缩序列在整个n条基因参考序列中的偏移量***所述哈希表数据块中,记录发生冲突的数据块,针对发生冲突的数据块的各个子参考序列和匹配的待压缩序列进行冗余删除,保留非冗余的子参考序列和匹配的待压缩序列。
S3、将去冗余后的参考序列与待压缩序列匹配后,以<偏移位置,长度>的二元组形式保存。
把非冗余的待压缩序列中的多条基因参考序列的偏移量和长度,以<偏移位置,长度>的二元组形式保存;把非冗余的多个子参考序列的偏移量和长度,同样以<偏移位置,长度>的二元组形式保存。
S4、对所有二元组形式的数据进行多模态提取,采用希尔伯特分形变换作为多模态提取方法,具体包括:
步骤4.1:建立数据输入***,进行二元组数据采样,以获取二元组数据集合。
步骤4.2:通过希尔伯特分形变换方法将获得的二元组数据集合进行模态分解,把二元组数据集合分解成若干个本征模态。
步骤4.21:在获得的二元组数据集合x(t)中上加入填充序列ω(t),得到填充后的数据集X(t):
X(t)=x(t)+ω(t)。
步骤4.22:运用模态分解将加入填充序列后的数据集X(t)分解为多个模态;
式中,hj为X(t)分解的第j个模态,rn为对X(t)分解后的余态,n为分解的模态数。
步骤4.23:每次在数据集X(t)加入不同的填充序列ωi(t)(i=1,2,…,n),反复重复步骤4.21、4.22,则将第i次分解后的数据Xi(t);
Xi(t)=x(t)+ωi(t);
分解成:
式中,hij为Xi(t)分解的第j个模态,rin为对Xi(t)分解后的余态;
S5、对提取的各个模态的均值进行降维,消除各个均值之间的线性相关性,针对降维后的各个模态均值,进行单独压缩。
在优选实施例中,可采用主模态分析,进行模态多元统计和处理,把原始模态空间中具有一定相关性的多模态转换为新空间中互不相关的主模态,对原始模态进行压缩降维的同时,保正较少的信息损失。
图3为本发明的基于希尔伯特分形的基因组序列压缩***结构示意图,该基因组序列压缩***包括:基因参考序列确定单元、去冗余单元、数据保存单元、希尔伯特分形变换单元和压缩单元。
基因参考序列确定单元,用于将待压缩基因序列进行数字化映射,通过欧式距离确定基因参考序列。
去冗余单元,用于对待压缩序列和基因参考序列进行去冗余操作。
数据保存单元,用于将去冗余后的参考序列与待压缩序列匹配后,以二元组形式保存。
希尔伯特分形变换单元,用于对所有二元组数据采用希尔伯特分形变换进行多模态提取。
压缩单元,用于对提取的各个模态的均值进行降维,消除各个均值之间的线性相关性,针对降维后的各个模态均值,进行单独压缩。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于希尔伯特分形的基因组序列压缩方法,其特征在于,包括如下步骤:
S1、将待压缩基因序列进行数字化映射,通过欧式距离确定基因参考序列;
S2、对待压缩序列和基因参考序列进行去冗余操作;
S3、将去冗余后的参考序列与待压缩序列匹配后,以二元组形式保存;
S4、对所有二元组数据采用希尔伯特分形变换进行多模态提取;
S5、对提取的各个模态的均值进行降维,消除各个均值之间的线性相关性,针对降维后的各个模态均值,进行单独压缩。
2.根据权利要求1所述的基因组序列压缩方法,其特征在于,步骤S1包括:设待压缩基因序列共n条基因序列,将n条基因序列数字化映射为欧氏空间中的高维数字向量,计算每一条基因序列其与其他n-1条基因序列的高维数字向量之间的欧式距离和,并将欧式距离和最小的高维数字向量所代表的基因序列作为基因参考序列。
3.根据权利要求2所述的基因组序列压缩方法,其特征在于,步骤S2包括:
S2.1、计算基因参考序列及待压缩序列的哈希值,将基因参考序列生成的参考哈希值作为索引,将参考哈希值分别与待压缩序列生成的哈希值序列中的各哈希值进行匹配,将不匹配的哈希值序列中的待压缩序列中的多条基因序列除去。
S2.2、按照步长s遍历基因参考序列,获取连续子参考序列,将连续子参考序列作为索引,将匹配的待压缩序列中的多条基因序列按所述索引进行排序。
S2.3、计算连续子参考序列及匹配的待压缩序列中的多条基因序列的哈希值,构成哈希表数据块。
S2.4、将连续子参考序列和匹配的待压缩序列在整个n条基因参考序列中的偏移量***所述哈希表数据块中,记录发生冲突的数据块,针对发生冲突的数据块的各个子参考序列和匹配的待压缩序列进行冗余删除,保留非冗余的子参考序列和匹配的待压缩序列。
4.根据权利要求1所述的基因组序列压缩方法,其特征在于,步骤S4包括:
步骤4.1:建立数据输入***,进行二元组数据采样,以获取二元组数据集合;
步骤4.2:通过希尔伯特分形变换方法将获得的二元组数据集合进行模态分解,把二元组数据集合分解成若干个本征模态。
5.根据权利要求4所述的基因组序列压缩方法,其特征在于,步骤S4.2包括:
步骤4.21:在获得的二元组数据集合x(t)中上加入填充序列ω(t),得到填充后的数据集X(t):
X(t)=x(t)+ω(t);
步骤4.22:运用模态分解将加入填充序列后的数据集X(t)分解为多个模态;
式中,hj为X(t)分解的第j个模态,rn为对X(t)分解后的余态,n为分解的模态数;
步骤4.23:每次在数据集X(t)加入不同的填充序列ωi(t)(i=1,2,…,n),反复重复步骤4.21、4.22,则将第i次分解后的数据Xi(t);
Xi(t)=x(t)+ωi(t);
分解成:
式中,hij为Xi(t)分解的第j个模态,rin为对Xi(t)分解后的余态;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211680607.XA CN115798591B (zh) | 2022-12-23 | 2022-12-23 | 一种基于希尔伯特分形的基因组序列压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211680607.XA CN115798591B (zh) | 2022-12-23 | 2022-12-23 | 一种基于希尔伯特分形的基因组序列压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115798591A true CN115798591A (zh) | 2023-03-14 |
CN115798591B CN115798591B (zh) | 2023-05-23 |
Family
ID=85426870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211680607.XA Active CN115798591B (zh) | 2022-12-23 | 2022-12-23 | 一种基于希尔伯特分形的基因组序列压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798591B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354877A (zh) * | 2015-11-09 | 2016-02-24 | 北京航空航天大学 | 一种基于空间填充曲线的经验模态分解和希尔伯特谱计算的三维网格处理方法 |
US20180032666A1 (en) * | 2016-07-27 | 2018-02-01 | Sequenom, Inc. | Methods for Non-Invasive Assessment of Genomic Instability |
CN109658985A (zh) * | 2018-12-25 | 2019-04-19 | 人和未来生物科技(长沙)有限公司 | 一种基因参考序列的去冗余优化方法及*** |
CN109979537A (zh) * | 2019-03-15 | 2019-07-05 | 南京邮电大学 | 一种面向多条序列的基因序列数据压缩方法 |
CN114884516A (zh) * | 2022-05-13 | 2022-08-09 | 黑龙江八一农垦大学 | 基于统计学方法和希尔伯特包络谱的有监督数据压缩方法 |
-
2022
- 2022-12-23 CN CN202211680607.XA patent/CN115798591B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354877A (zh) * | 2015-11-09 | 2016-02-24 | 北京航空航天大学 | 一种基于空间填充曲线的经验模态分解和希尔伯特谱计算的三维网格处理方法 |
US20180032666A1 (en) * | 2016-07-27 | 2018-02-01 | Sequenom, Inc. | Methods for Non-Invasive Assessment of Genomic Instability |
CN109658985A (zh) * | 2018-12-25 | 2019-04-19 | 人和未来生物科技(长沙)有限公司 | 一种基因参考序列的去冗余优化方法及*** |
CN109979537A (zh) * | 2019-03-15 | 2019-07-05 | 南京邮电大学 | 一种面向多条序列的基因序列数据压缩方法 |
CN114884516A (zh) * | 2022-05-13 | 2022-08-09 | 黑龙江八一农垦大学 | 基于统计学方法和希尔伯特包络谱的有监督数据压缩方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115798591B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9929746B2 (en) | Methods and systems for data analysis and compression | |
US20210050074A1 (en) | Systems and methods for sequence encoding, storage, and compression | |
CA2839802C (en) | Methods and systems for data analysis | |
EP2608096B1 (en) | Compression of genomic data file | |
KR101969848B1 (ko) | 유전자 데이터를 압축하는 방법 및 장치 | |
EP2595076B1 (en) | Compression of genomic data | |
WO2019080670A1 (zh) | 基因测序数据压缩解压方法、***及计算机可读介质 | |
US9236881B2 (en) | Compression of bitmaps and values | |
CN115867668A (zh) | 下采样基因组序列数据 | |
CN113873094A (zh) | 一种混沌压缩感知图像加密方法 | |
CN115798591B (zh) | 一种基于希尔伯特分形的基因组序列压缩方法 | |
WO2021156110A1 (en) | Improved quality value compression framework in aligned sequencing data based on novel contexts | |
CN111061428B (zh) | 一种数据压缩的方法及装置 | |
CN107633158A (zh) | 对基因序列进行压缩和解压缩的方法和设备 | |
US20160357812A1 (en) | System and method for transforming and compressing genomics data | |
CN115798605A (zh) | 纳米孔测序原始信号数据压缩方法、装置、设备及介质 | |
US11244742B2 (en) | System for generating genomics data, with adjusted quality scores, and device, method, and software product for use therein | |
CN111370070B (zh) | 一种针对大数据基因测序文件的压缩处理方法 | |
CN110941730A (zh) | 基于人脸特征数据偏移的检索方法与装置 | |
CN116683916B (zh) | 一种数据中心容灾*** | |
EP2191382B1 (en) | System, method, and/or apparatus for digital signal sorting | |
Zhang et al. | DNA Image Storage Using a Scheme Based on Fuzzy Matching on Natural Genome | |
Adhisantoso et al. | HiCMC: High-Efficiency Contact Matrix Compressor | |
CN114341988A (zh) | 用于压缩基因组序列数据的方法 | |
KR20100022789A (ko) | 순서 관계에 기반하는 무작위 데이터의 이진 표현 방법과 그 장치, 무작위 데이터의 부호화 방법 및 그 장치, 및 상기 부호화 방법을 구현하는 프로그램이 기록된 기록매체 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 150090 east side of 5th floor, A10 building, China Cloud valley software park, No.9, Songhua Road, concentrated area, haping Road, economic development zone, Harbin City, Heilongjiang Province Patentee after: Xingyun Gene Technology Co.,Ltd. Address before: 150090 east side of 5th floor, A10 building, China Cloud valley software park, No.9, Songhua Road, concentrated area, haping Road, economic development zone, Harbin City, Heilongjiang Province Patentee before: Harbin Xingyun medical laboratory Co.,Ltd. |