为DNA声明新的数据类型

Question

我研究的是生物学，特别是DNA，通常是基因组测序所产生的数据大小有问题。

对于那些没有生物学背景的人，我将简要介绍一下DNA测序。DNA由四个字母组成: A、T、G和C，它们的特定顺序决定了细胞中发生的事情。

然而，DNA测序技术的一个主要问题是所产生的数据的大小(对于整个基因组来说，通常比千兆字节多得多)。

我知道在不同的计算机上，整数的大小是不同的，但它仍然比四种选择具有更多的信息存储可能性。有没有办法定义一个类型/方式来定义一个只占用2到3位的“基”？我已经搜索了定义一个结构，但恐怕这不是我要找的。谢谢。

另外，这在其他语言(可能是更高级别的java)中也能更好地工作吗？

Answer 1

那你就不能把两个ATGC集放到一个字节里吗？像这样：

0 1 0 1 1 0 0 1
A T G C A T G C

那么这一个字节代表TC，AC？

Answer 2

如果你想使用Java，你将不得不放弃对事物有多大的控制。可以使用的最小AFAIK是byte原语，它是8位(-128到127)。

尽管我猜测这是有争议的，但Java似乎更适合于广泛的系统控制，而不是像您通常使用C所做的快速、有效的细节工作。

如果不要求您一次将整个数据集保存在内存中，您甚至可以尝试使用MySQL之类的托管数据库来存储基本信息，然后逐段读取这些信息。

Answer 3

如果我要写一个类似的代码，我会将核苷酸标识符存储在一个字节中，你可以在字节中添加1,2,3,4作为A，T，G，C的值。即使你会考虑使用RNA，你也可以只添加第五个元素，值5代表U。如果你真的在钻研这个项目，我建议你为密码子做一个类。在这个类中，您可以指定这是一个内含子/外显子、起始密码子还是终止密码子等等。最重要的是，你可以创建一个基因类，在那里你可以指定启动子区域等。

如果你有很大的dna，rna序列，并且它需要比我强烈推荐使用C++和用于科学计算训练的大量计算。(人类基因组总大小为1.4 Gb)

同样因为有很多重复的序列，将基因组结构化为密码子是很有用的，这样你就节省了大量的内存(你只需要引用密码子类，而不需要N次构建这个类)。

同样，通过构造密码子，你可以预定义你的类，而它们只有64个，所以你的整个基因组将只是一个有序的引用列表。因此，在我看来，以密码子为基本单位更有效率。