基于率失真理论的质量值有损压缩

动机：下一代测序技术通过实现对大量基因组数据的快速且低成本的测序，引发了生物学诸多领域的革命。当前测序机器所带来的不断提升的测序能力为这些技术的未来应用带来了巨大希望，但也创造了与这些数据的分析和存储相关的日益增加的计算挑战。一个典型的测序数据文件可能占用数十甚至数百 GB 的磁盘空间，对许多用户而言过于庞大。原始测序数据由 DNA 序列（reads）和指示这些序列读出置信度的逐碱基质量值组成。在常用的 FASTQ 格式中，质量值约占所需磁盘空间的一半，因此对其进行压缩可以显著减少存储需求，并加快这些数据的分析和传输。结果：在本文中，我们提出了一个用于基因组读取文件中质量值序列有损压缩的框架。使用这些质量值进行基于比对的数值实验表明，对于若干感兴趣的下游应用，我们可以在性能几乎不受损的情况下实现显著压缩，这与我们的理论分析相一致。我们的框架还允许在一个低于每质量值 1 比特的区间内进行压缩，而目前尚无适用于该区间的压缩器。