本發明提供的方法借助后綴數組求取DNA序列的最長重復子串，然后將最長重復子串存入數組中，并用數組下標替換DNA序列中的最長重復子串，通過不斷的替換最長重復子串而達到壓縮傳輸數據量的目的。

技術領域

本發明涉及生物信息學數據壓縮傳輸領域，更具體地，涉及一種海量DNA數據的傳輸方法及系統。

背景技術

目前實施的千人基因組計劃、國際單體型圖計劃和孟德爾遺傳疾病計劃等項目，利用下一代測序技術產生了海量的DNA測序數據，使得生物信息學數據呈現爆炸性增長。這些數據含有人類目前尚未了解的生物學知識，通過對這些數據的分析與處理，揭示其生物學內涵，提取出對人類有用的信息，可以給生物學和醫學領域的相關研究帶來更大的輔助。但是，在促進生物學和醫學發展的同時，不同研究所之間傳遞數據的成本也高的驚人。如何壓縮傳輸量，較少傳輸成本成為了當下急需解決的問題。

生物遺傳物質的自我復制操作致使在同一個體的DNA序列中存在著大量完全重復的片段，另外還存在特殊的鏡像重復、反轉重復、互補回文結構等重復片段。人類的不同個體基因的相似程度達99％，而和近親物種間基因序列的近似程度也可高達98％，植物DNA序列中重復序列含量可達80％以上。因此，DNA序列不僅數據量大且含有很多的冗余信息，這些數據冗余是DNA壓縮傳輸的基礎。后綴數組是一種為文本索引設計的數據結構，該結構由記錄了字符串的各個后綴的字典序索引的數組構成。利用后綴數組可以快速查找字符串中的最長重復子串。本發明利用后綴數組的這種用途，通過對生物基因序列查找最長重復子串，將查到的最長重復子串生成字典索引，刪減重復子串再查找最長重復子串，不斷循環該過程。從而實現了對DNA序列的編碼壓縮過程。

發明內容

本發明為解決以上現有技術在傳輸DNA數據時傳輸數據量過大導致傳輸成本高昂的缺陷，提供了一種海量DNA數據的傳輸方法，該方法通過對DNA數據進行壓縮從而達到降低傳輸數據量的目的。

為實現以上發明目的，采用的技術方案是：

一種海量DNA數據的傳輸方法，利用發送客戶端、去重服務器和接收客戶端進行數據的傳輸，傳輸方法具體包括以下步驟：

S1.在發送客戶端，讀入第一條DNA序列D1；

S2.求取DNA序列D1的后綴數組SA，使用SA[m]記錄第m位后綴對應的首字母位置，即Suffix[SA[m]]在所有后綴中是第m小的后綴；

S3.掃描后綴數組SA，通過比較相鄰后綴來找出最長的重復字符串Str[k]；

S4.在去重服務器上構建數組a，將Str[k]存入數組a的第t個存儲單元a[t]中，t表示存儲單元的下標，其初始值為1；

S5.使用t替換掉DNA序列D1中出現的所有重復字符串Str[k]，DNA序列D1經過替換后形成新的序列D[1]；

S6.令t＝t+1，然后對D[1]重復執行步驟S2～S5直至D[1]中剩余的堿基小于e個或最長重復子串小于f個，此時在D[1]中剩余的堿基段的開頭和結尾分別插入分隔符；

S7.對其余的DNA序列依次執行步驟S8～S9的處理：

S8.讀入一條DNA序列Di，對其執行步驟S2～S3的操作，求取到該DNA序列最長的重復字符串Str[h]，然后掃描數組a，判斷數組a中是否存儲有與Str[h]匹配的匹配項，若是則使用匹配項所在的存儲單元的下標g替換DNA序列中出現的所有重復字符串Str[h]，DNA序列Di經過替換后形成新的序列D[i]；否則令t＝t+1，然后將重復字符串Str[h]存入數組a的第t個存儲單元a[t]中；并使用t替換掉DNA序列Di中出現的所有重復字符串Str[h]，DNA序列Di經過替換后形成新的序列D[i]；