Compresión de datos de secuenciación genómica

Con la disponibilidad de una plantilla de referencia, solo es necesario registrar las diferencias (por ejemplo, sustituciones de un solo nucleótido e inserciones/deleciones), lo que reduce considerablemente la cantidad de información a almacenar. La noción de compresión relativa es evidente, especialmente en proyectos de resecuenciación del genoma, donde el objetivo es descubrir variaciones en genomas individuales. El uso de un mapa de polimorfismos de un solo nucleótido ( SNP ) de referencia, como dbSNP , puede utilizarse para mejorar aún más el número de variantes a almacenar. ^{[ 4 ]}

Otra idea útil es almacenar coordenadas genómicas relativas en lugar de coordenadas absolutas. ^{[ 4 ]} Por ejemplo, para representar las bases de las variantes de secuencia en el formato ' Posición1Base1Posición2Base2… ', '123C125T130G' se puede abreviar a '0C2T5G', donde los números enteros representan intervalos entre las variantes. El costo es el modesto cálculo aritmético necesario para recuperar las coordenadas absolutas más el almacenamiento del factor de corrección ('123' en este ejemplo).

Se puede lograr una mayor reducción si se conocen de antemano todas las posiciones posibles de las sustituciones en un conjunto de secuencias genómicas. ^{[ 4 ]} Por ejemplo, si se conocen todas las ubicaciones de los SNP en una población humana, no es necesario registrar la información de coordenadas de las variantes (por ejemplo, '123C125T130G' se puede abreviar como 'CTG'). Sin embargo, este enfoque rara vez es apropiado porque dicha información suele ser incompleta o no estar disponible.

Los esquemas de codificación se utilizan para convertir enteros de coordenadas a formato binario para proporcionar ganancias de compresión adicionales. Diseños de codificación, como el código de Golomb y el código de Huffman , se han incorporado a herramientas de compresión de datos genómicos. ^{[ 5 ] [ 6 ] [ 7 ] [ 8 ] [ 9 ] [ 10 ]} Por supuesto, los esquemas de codificación implican algoritmos de decodificación asociados. La elección del esquema de decodificación puede afectar la eficiencia de la recuperación de información de secuencia .

La selección de una secuencia de referencia para la compresión relativa puede afectar el rendimiento de la compresión. Elegir una secuencia de referencia de consenso en lugar de una secuencia de referencia más específica (por ejemplo, la secuencia de referencia de Cambridge revisada ) puede resultar en una mayor relación de compresión porque la referencia de consenso puede contener menos sesgo en sus datos. ^{[ 4 ]} Sin embargo, el conocimiento sobre la fuente de la secuencia que se está comprimiendo puede ser explotado para lograr mayores ganancias de compresión. Se ha propuesto la idea de utilizar múltiples secuencias de referencia. ^{[ 4 ]} Brandon et al. (2009) ^{[ 4 ]} aludieron al uso potencial de plantillas de secuencias de referencia específicas de grupos étnicos, utilizando la compresión de datos de variantes de ADN mitocondrial como ejemplo (ver Figura 2). Los autores encontraron una distribución de haplotipos sesgada en las secuencias de ADN mitocondrial de africanos, asiáticos y euroasiáticos en relación con la secuencia de referencia de Cambridge revisada . Su resultado sugiere que la secuencia de referencia de Cambridge revisada puede no ser siempre óptima porque se necesita almacenar un mayor número de variantes cuando se utiliza con datos de individuos étnicamente distantes. Además, se puede diseñar una secuencia de referencia basada en propiedades estadísticas ^{[ 1 ] [ 4 ]} o diseñada ^{[ 11 ] [ 12 ]} para mejorar la relación de compresión.

Se ha explorado la aplicación de diferentes tipos de esquemas de codificación para codificar bases variantes y coordenadas genómicas. ^{[ 4 ]} Los códigos fijos, como el código de Golomb y el código de Rice , son adecuados cuando la distribución de variantes o coordenadas (representadas como números enteros ) está bien definida. Los códigos variables, como el código de Huffman , proporcionan un esquema de codificación de entropía más general cuando la distribución subyacente de variantes y/o coordenadas no está bien definida (este es el caso típico en los datos de secuencias genómicas).