生物信息学压缩核苷酸序列

【问题标题】：bioinformatics compressing nucleotide sequences生物信息学压缩核苷酸序列
【发布时间】：2021-10-30 04:54:23
【问题描述】：

对于压缩由 fasta 核苷酸序列组成的数据集，推荐的压缩算法是什么（.xz、tar.gz、tar.bz2 等）？

对于此类数据，推荐的压缩机制是什么？

【问题讨论】：

使用 gzip 因为每个人都使用 gzip。即使您可以从另一种方法中获得更多压缩，更多的生物信息学工具也会读取 gzip 压缩文件。
当然不是 LZW。那是过时的技术。人们对测序数据的压缩给予了极大的关注。对于fasta，请参阅ncbi.nlm.nih.gov/pmc/articles/PMC3866555

【解决方案1】：

我见过gzip 最常用，所以我推荐gzip，正如评论中提到的CJR。这是与协作者最兼容的选项，即使不是最有效的（取决于您对效率的定义）。

在某些情况下，合作者和您可以安装专门的压缩工具，可能值得研究更有效的工具，例如参见这篇论文，其中使用几种不同的指标比较了其中的许多工具（尤其是图 1）：

Kirill Kryukov、Mahoko Takahashi Ueda、So Nakagawa、Tadashi Imanishi，序列压缩基准 (SCB) 数据库 — FASTA 格式序列的无参考压缩器的综合评估，GigaScience，第 9 卷，第 7 期，7 月2020, giaa072, https://doi.org/10.1093/gigascience/giaa072 : https://academic.oup.com/gigascience/article/9/7/giaa072/5867695

【讨论】：