Lossless genome data compression using V-gram

Abstract

Технология высокопроизводительного секвенирования, разработанная в последние годы, позволила общественности получить большой объем геномных данных, что вызвало серьезные опасения по поводу стоимости хранения как эффективного алгоритма сжатия данных. Геномные данные до сих пор остаются нерешенной проблемой в исследованиях геномных данных. В этой статье предложен алгоритм сжатия геномных данных без потерь с использованием V-граммы с помощью построения словаря из последовательных данных на основе машинного обучения без присмотра и прогнозирования следующих символов. В результате мы получили степень сжатия 24%.

The high-throughput sequencing technology developed in recent years has enabled the public to obtain a large amount of genomic data, which has caused serious concern about the storage cost as an effective data compression algorithm. Genomic data is still an unresolved problem in genomic data research.This paper proposed a lossless Genome Data Compression Algorithm using V-gram with the help of constructing a dictionary out of sequential data, based on Unsupervised machine learning and predicting next Characters. As a result, we got a 24% Compression rate.