二进制编码DNA链

Question

嘿伙计们我有个问题：

假设我们正在研究DNA链，每个链由10个核苷酸序列组成。每个核苷酸可以是四种不同类型的任意一种: A、G、T或C。编码一条DNA链需要多少个比特？

这是我的方法，我想知道这是否正确。

我们有10个名额。每个点可以有4个不同的符号。这意味着我们需要4^10组合使用我们的二进制数字。

4^10 = 1048576。

然后我们将找到其中的日志基2。你们觉得我的方法怎么样？

Answer 1

每个核苷酸(又称碱基对)有两位(四种状态之一，-> 2位信息)。因此，10个碱基对需要20位。这样的推理比做log2(4^10)更容易，但是给出了同样的答案。

如果有任何组合不能出现的话，信息就会少一些。例如，一些密码子(三个碱基对的序列)永远不会出现。但是10条独立的2位信息等于20位。

如果某些序列出现得比其他序列更频繁，并且可变长度表示是可行的，那么Huffman编码或其他压缩方案可以节省大部分时间的比特。这在文件格式中可能是好的，但是当您使用它们时，它不太可能是内存中的好东西。

将数据密集地打包到一个由2位字段组成的数组中，会使访问单个基对的速度变慢，但是将整个块与另一个块进行相等比较仍然是有效的。(memcmp)。

不幸的是，对于16位整数(计算机擅长的)来说，20位太大了。存储在32位零扩展值数组中会浪费大量空间。在具有良好的非对齐支持的硬件上，存储24位零扩展值是可以的(做一个32位的负载和掩蔽高的8位。但是存储更不方便:可能是16b存储和8b存储，或者加载旧值并合并高8，然后执行32b存储。但那不是原子的。)

这是一个类似的问题，用于存储密码子(由三个碱基对组成的组，编码一个氨基酸)：6位信息不能填充一个字节。不过，每8位中只有2位没有那么糟糕。

氨基酸序列(你不关心不同密码子之间仍然编码相同AA的突变)每个位置大约有20个符号，这意味着一个符号不太适合一个4位的啃食。

我以前在Dalhousie的系统遗传学研究小组工作，所以我有时会考虑看一下DNA序列软件，看看是否可以改进它们内部存储序列数据的方式。不过，我一直没来得及。真正的CPU密集型工作发生在找到最大似然进化树之后，您已经计算了每一对输入序列之间进化距离的矩阵。所以实际的序列比较并不是瓶颈。

Answer 2

做数学：4^10 = 2^2^10 = 2^20

答: 20位