compression - 生物信息学压缩核苷酸序列

Question

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)？

此类数据的推荐压缩机制是什么？

1. 基于字典的压缩
2. 基于自适应字典的压缩
3. 基于LZW算法的压缩

Answer 1

我看到 gzip 使用得最多，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，协作者和您可以安装专门的压缩工具，可能值得研究更高效的工具，例如，请参阅这篇论文，其中使用几种不同的指标(尤其是图 1)对其中许多工具进行了比较:

Kirill Kryukov、Mahoko Takahashi Ueda、So Nakagawa、Tadashi Imanishi，序列压缩基准 (SCB) 数据库——针对 FASTA 格式序列的无引用压缩器的全面评估，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