1.一种测序FASTQ文件质量分数序列的稀疏化处理方法,其特征在于,包括以下步骤:S1、从FASTQ文件中提取质量分数数据流;
S2、将待处理的所述质量分数数据流分为多个片段,每个片段包含n个字符;
S3、设定相似性计算的滑动窗口大小为m个字符,每m个字符都被分为 个片段,并进行个片段之间的相似性度量;
S4、设定阈值e,将相似性度量后平均相似度结果大于等于e时的两个片段进行相互替换,得到替换后的质量分数数据流。
2.根据权利要求1所述的测序FASTQ文件质量分数序列的稀疏化处理方法,其特征在于,所述步骤S1具体为:从FASTQ文件中提取每个短读的第四行数据得到质量分数数据流,并去除所述质量分数数据流中无意义字符。
3.根据权利要求2所述的测序FASTQ文件质量分数序列的稀疏化处理方法,其特征在于,所述质量分数数据流中无意义字符为测序过程中无法被识别的碱基所对应的质量分数值。
4.根据权利要求1所述的测序FASTQ文件质量分数序列的稀疏化处理方法,其特征在于,所述步骤S2中若最后的片段的所剩不足n个字符,则不计入滑动窗口的遍历范围。
5.根据权利要求1所述的测序FASTQ文件质量分数序列的稀疏化处理方法,其特征在于,所述步骤S3中在每两个片段之间,都从彼此的第一个字符之间开始计算两个字符之间的差值的绝对值,以计算每个字符的平均相似度,一直到第n个字符。
6.根据权利要求1所述的测序FASTQ文件质量分数序列的稀疏化处理方法,其特征在于,所述步骤S3中采用基于余弦相似性的相似度度量方法,其公式为:式中, 和 分别是两个片段中第i个质量分数的ASCII编码值,分母AreaQ是质量分数可得到的最大差值,参数 用于放大差异信号,
7.根据权利要求1所述的测序FASTQ文件质量分数序列的稀疏化处理方法,其特征在于,所述步骤S4中平均相似度的计算公式为:
8.根据权利要求1所述的测序FASTQ文件质量分数序列的稀疏化处理方法,其特征在于,所述阈值e>0.95。