基于高通量测序的短序列生物数据压缩研究.PDFVIP

第３４卷第４期　　　 计算机应用与软件 Ｖｏｌ３４Ｎｏ．４ ２０１７年４月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ａｐｒ．２０１７ 基于高通量测序的短序列生物数据压缩研究 孟　倩 （复旦大学计算机科学技术学院　上海２００４３３） 摘　要　　高通量测序技术（ＮＧＳ）的发展带来了测序数据量的极速增长，给数据的存储和传输带来了极大的压 力。数据压缩技术是解决这个问题的重要方法。传统的压缩方法并没有很好地利用数据本身的特性。因此，计 算机学者们关注于ＮＧＳ测序数据专用的压缩方法。全面总结针对高通量测序技术产生的Ｆａｓｔｑ和Ｆａｓｔａ数据的 压缩算法，介绍了Ｆａｓｔｑ和Ｆａｓｔａ数据的特点，总结了目前常用的压缩方法。并通过不同物种、不同测序平台、不同 规模的测序数据对多个具有代表性的压缩工具进行测试，比较它们的压缩性能并且验证相应的工具特点，为研究 人员提供工具选择指导或改善工具性能提供帮助。最后总结阐述短序列数据压缩工具存在的问题和发展趋势。 关键词　　数据压缩　短序列数据压缩　高通量测序 中图分类号　ＴＰ３９１　　　　文献标识码　Ａ　　　　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１７．０４．００５ ＲＥＳＥＡＲＣＨＯＮＤＡＴＡＣＯＭＰＲＥＳＳＩＯＮＯＦＳＨＯＲＴＳＥＱＵＥＮＣＥＢＩＯＬＯＧＩＣＡＬＤＡＴＡ ＢＡＳＥＤＯＮＮＥＸＴＧＥＮＥＲＡＴＩＯＮＳＥＱＵＥＮＣＩＮＧ ＭｅｎｇＱｉａｎ （ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＦｕｄａｎＵｎｉｖｅｒｓｔｙ，Ｓｈａｎｇｈａｉ２００４３３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ｄｕｅｔｏｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｎｅｘｔｇｅｎｅｒａｔｉｏｎｓｅｑｕｅｎｃｉｎｇｔｅｃｈｎｏｌｏｇｙ（ＮＧＳ），ｔｈｅｒａｐｉｄｇｒｏｗｔｈｏｆｓｅｑｕｅｎｔｉａｌ ｄａｔａｈａｓｂｒｏｕｇｈｔａｈｅａｖｙｐｒｅｓｓｕｒｅｔｏｄａｔａｓｔｏｒａｇｅａｎｄｔｒａｎｓｍｉｓｓｉｏｎ．Ｔｈｅｄａｔａｃｏｍｐｒｅｓｓｉｏｎｔｅｃｈｎｉｑｕｅｉｓａｎｉｍｐｏｒｔａｎｔ ｍｅｔｈｏｄｔｏｓｏｌｖｅｔｈｉｓｐｒｏｂｌｅｍ，ｂｕｔｔｒａｄｉｔｉｏｎａｌｃｏｍｐｒｅｓｓｉｏｎｍｅｔｈｏｄｓｄｏｎｏｔｅｘｐｌｏｉｔｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｄａｔａｗｅｌｌ． Ｔｈｅｒｅｆｏｒｅ，ｓｃｈｏｌａｒｓｂｅｇｉｎｔｏｆｏｃｕｓｏｎｔｈｅｃｏｍｐｒｅｓｓｉｏｎａｌｇｏｒｉｔｈｍｗｈｉｃｈｉｓｔｈｅｓｐｅｃｉａｌｏｎｅｆｏｒＮＧＳｄａｔａ．Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅ ｐｒｅｓｅｎｔａｃｏｍｐｒｅｈｅｎｓｉｖｅｓｕｍｍａｒｙｏｆｃｏｍｐｒｅｓｓｉｏｎａｌｇｏｒｉｔｈｍｓｆｏｒｔｈｅＦａｓｔｑａｎｄＦａｓｔａｄａｔａｏｂｔａｉｎｅｄｆｒｏｍＮＧＳ．Ｗｅ ｉｎｔｒｏｄｕｃｅｔｈｅｆｅａｔｕｒｅｓｏｆＦａｓｔｑａｎｄＦａｓｔａ，ａｎｄｓｕｍｍａｒｉｚｅｔｈｅｃｏｍｍｏｎｌｙｕｓｅｄｍｅｔｈｏｄｓｏｆｓｅｑｕｅｎｔｉａｌｄａｔａｃｏｍｐｒｅｓｓｉｏｎ． Ｔｈｅｎｗｅｅｖａｌｕａｔｅｔｈｅｓｅｒｅｐｒｅｓｅｎｔａｔｉｖｅｃｏｍｐｒｅｓｓｉｏｎｔｏｏｌｓｔｈｒｏｕｇｈｔｅｓｔｓｏｎｓｅｖｅｒａｌｄａｔａｓｅｔｓｆｒｏｍｖａｒｉｏｕｓｓｃａｌｅｓ，ｓｐｅｃｉｅｓ ａｎｄｓｅｑｕｅｎｃｉｎｇｐｌａｔｆｏｒｍｓ，ｉｎｏｒｄｅｒｔｏｃｏｍｐａｒｅｔｈｅｃｏｍｐｒｅｓｓｉｏｎｐｅｒｆｏｒｍａｎｃｅａｎｄｖａｌｉｄａｔｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｓｏｔｈａｔｔｈｅｙ ｃａｎｓｕｐｐｏｒｔｒｅｓｅａｒｃｈｅｒｓａｓａｇｕｉｄｅｆｏｒａｌｇｏｒｉｔｈｍｓｅｌｅｃｔｉｏｎａｎｄｉｍｐｒｏｖｅｍｅｎｔ．Ｆｉｎａｌｌｙ，ｓｏｍｅｐｒｏｂｌｅｍｓａｎｄｔｈｅｔｒｅｎｄｓｏｆ ｓｈｏｒｔｓｅｑｕｅｎｃｅｄａｔａｃｏｍｐｒｅｓｓｉｏｎａｌｇｏｒｉｔｈｍｓａｒｅａｌｓｏｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒ． Ｋｅｙｗｏｒｄｓ　　Ｄａｔａｃｏｍｐｒｅｓｓｉｏｎ　Ｓｈｏｒｔｓｅｑｕｅｎｃｅｄａｔａｃｏｍｐｒｅｓｓｉｏｎ　Ｎｅｘｔｇｅ