基于字典DNA序列压缩算法研究及应用.docVIP

基于字典DNA序列压缩算法研究及应用 　　摘 要：在现有DNA序列数据压缩算法的基础上，以DNA序列数据的存储效率及生物学解释综合考虑，设计并实现了基于字典的DNA序列压缩算法DNADCompress。算法核心包括重复子串字典建立、字典项筛选、字串压缩编码三方面。实验数据表明，数据压缩算法压缩效果达到常用DNA序列压缩算法水平，并为序列生物学解释提供基础。 　　关键词：数据压缩;生物信息学;DNA序列数据 　　中图分类号：TP391文献标志码：A 　　文章编号：1001-3695(2007)06-0265-03 　　生物信息学是一门交叉科学，它综合运用数学、计算机科学和生物学知识及工具来阐明和理解大量生物数据所包含的生物学意义，其研究内容包括生物信息的获取、处理、存储、分发、分析和解释等在内的所有方面。在生物学中，基因是由四种不同的脱氧核糖核苷酸(腺嘌呤、鸟嘌呤、胞嘧啶和胸腺嘧啶，简称为A、G、C和T)按照特定的编码规则连接而成的脱氧核糖核酸(DNA)序列。其中蕴藏着生物体中所有的结构信息和控制信息。可以说基因就是生物体内的控制中心和一本完整地讲述人体构造和运转情况的指南，通过它可以揭开有关人体生长、发育、衰老、患病和死亡的秘密。自从1990年美国启动人类基因组计划以来，人与模式生物基因组的测序工作进展极为迅速。截至2005年3月，仅记录在EMBL数据库中的DNA序列已达??85 134 714 382??条［1］。生物学数据的积累并不只表现在DNA序列方面，与其同步的还有蛋白质的一级结构，即氨基酸序列的增长。生物信息数据急速的积累，在人类的科学研究历史中是空前的。海量的数据必须通过生物信息学的手段进行收集、分析和整理后，才能成为有用的信息和知识［2］。?? 　　随着生物序列数据日益增加，数据占用的存储空间也日益增大。如何在有限的存储空间存储生物序列数据成为计算机专家和生物学家面临的新问题。以更加有效的压缩编码方式，用较小的存储空间存放较大的DNA序列数据是必然的选择。但是，由于DNA序列数据的特殊性，即DNA序列数据由A、C、G、T四个字母组成，并且DNA序列长度可达到上千万个碱基对，使用传统的数据压缩算法并不理想，由此出现了多种专门针对DNA序列的压缩方法［3－8］。但是，在现有压缩算法中，只是单纯对数据进行压缩，并没有考虑到序列的生物学解释，如在构建压缩字典时根据重复子串出现频率分析序列数据的特征。针对这一状况，在序列进行压缩过程中发掘序列的生物学解释，是本系统追求的目标，即提高序列压缩效果，并从中发掘生物学意义。?? 　　 　　1 DNA数据压缩的相关工作?? 　　以色列科学家Ziv和Lempel在1977年及1978年使用字典替换的思路对数据进行压缩，并达到良好效果［9，10］，形成了LZ系列算法。1984年，Welch实现了LZ78算法的一个变种――LZW［11］。LZW继承了LZ77和LZ78压缩效果好、速度快的优点，在算法描述上更容易被人们接受，实现也比较简单。20世纪80年代中期以后，人们对LZ77进行了改进，随之诞生了一批今天还在大量使用的压缩程序。LZ77得以和LZ78、LZW一起垄断当今的通用数据压缩领域。目前，基于字典方式的压缩已经成为一个被广泛认可的标准。?? 　　由于DNA序列数据的特殊性，使用传统的数据压缩算法并不理想。1993年Grumbach S.和Tahi F.从经典的基于字典压缩的LZ系列算法中提出BioCompress算法［4］，从搜索和编码两方面针对DNA序列进行改进。两年后，Sato H.等人提出Cfect算法［5］，引入后缀树数据结构，提高搜索重复字符串速度，并提高序列数据的压缩率。1999年X. Chen的GenCompress算法［6］是对BioCompress算法的改进，使序列数据压缩的压缩速度和压缩率提高到实用层次。2002年，X.Chen、M.Li以生物数据序列比对为基础，提出DNACompress算法［7］，进一步提高序列数据压缩率。2004年，台湾大学的张均合提出DNAC算法，在重复子串方面对DNA序列压缩率进行讨论［8］。?? 　　在以上算法基础上，笔者以字典压缩为基础，结合对生物数据利用思想，设计和实现了称之为DNADCompress的DNA序列数据压缩算法。?? 　　 　　2 DNADCompress的设计与实现?? 　　DNADCompress算法参考了DNA序列专用压缩算法的设计思想，如BioCompress、Cfact、GenCompress，把数据压缩算法分为两个步骤：重复子串字典构建和字串压缩编码。其中字典构建包括了重复子串字典构建和字典项筛选算法两个步骤。在重复子串字典构建中采用重复子串搜索算法得到输入序列重复字典；字