具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在第一方面，如图1所示，本申请提供了一种基于DNA存储介质的文本存储方法，包括步骤S01-S03：

S01、获取原始文本，对原始文本进行编码得到DNA存储序列。

以选取英文文本为例，本实施例根据编码规则，对英文文本的字符进行编码，形成DNA存储序列。

在本实施例中，对原始文本进行编码得到DNA存储序列这一步骤具体包括步骤S011-S013：

S011、根据编码规则以及原始文本中的字符生成编码碱基序列，根据编码碱基序列生成索引值；

S012、根据原始文本中的字符生成字节校验码；

S013、根据索引值、字节校验码以及由编码碱基序列构成的文本数据，构建DNA存储序列。

具体地，根据字符编码规则依次编码英文文本出现的各种字符，每M(M>0)个文本字符的编码碱基序列为一个存储数据单元。M个文本字符使用里所码(Reed-solomoncodes，RS)检验生成t位字节校验码，根据存储数据单元生成的先后顺序，通过n位十进制数字编码成对应的碱基序列作为存储数据单元的索引值(Index)。由此。一个DNA存储序列由index值部分、RS检验码和文本数据域三部分构成。

以n取值为5，t取值为4，M取值25为例；如图2所示，为一个DNA存储序列结构。

在本实施例中，各文本字符对应的碱基序列，如表1所示：

表1

在本实施例中，在DNA存储序列中，第一部分为Index，其同样为碱基序列，标记了DNA存储行在原编码文本文件的顺序。Index碱基序列每6碱基为一个单位，分别对应着n位十进制的数字。Index各数位对应的数字编码表，如表2所示：

表2

在本实施例中，根据原始文本中的字符生成字节校验码这一步骤S012，可以进一步细分为步骤S012a和S012b：

S012a、将原始文本中的字符通过里所码编码得到二进制字符串；

S012b、根据二进制字符串进行分组碱基编码，得到字节校验码。

具体地，实施例将原始的英文文本中的字符通过RS检验转化为二进制字符串后，按每4bit为一组进行分组，每组4bit二进制数据按表3进行碱基编码。

表3

在实施例进行编码规则，即结合表1、表2以及表3所提供的编码关系进行编码的过程中，DNA存储序列的长度是固定的，其长度值L为n*5+8*t+M*4。若存储序列中已编码的英文文本的字符数L(L>0)小于M，则该存储序列剩下的碱基序列单元可以由(M-L)个空格字符对应的碱基序列构成。

S02、将DNA存储序列进行合成，得到DNA分子序列，对DNA分子序列进行扩增，将扩增后的DNA分子序列进行存储。

具体地，将步骤S01得到的DNA存储序列进行合成、扩增以及进行存储。其中，合成的过程，是将得到DNA存储序列，通过化学反应，即按照预定核苷酸的顺序，将脱氧核苷酸逐个进行人工连接合成DNA链，即DNA分子序列。扩增的过程，即根据DNA分子序列产生多份拷贝，实施例中，对DNA分子序列PCR(Polymerase Chain Reaction)扩增，即聚合酶链式反应。PCR扩增是一种用于放大扩增特定的DNA片段的分子生物学技术，可看作是生物体外的特殊DNA复制，PCR的最大特点是能将微量的DNA大幅增加。实施例中PCR过程分为三步：1)DNA变性(90℃-96℃)：双链DNA模板在热作用下，氢键断裂，形成单链DNA；2)退火(60℃-65℃)：系统温度降低，引物与DNA模板结合，形成局部双链。3)延伸(70℃-75℃)：在Taq酶(在72℃左右，活性最佳)的作用下，以dNTP为原料，从引物的3′端开始以从5′→3′端的方向延伸，合成与模板互补的DNA链。每一循环经过变性、退火和延伸，DNA含量即增加一倍。

进而将扩增后得到的若干DNA分子序列进行保存，例如，存储至DNA分子数据库等。

S03、获取存储的DNA分子序列，进行转码得到原始文本。其中，进行转码得到原始文本包括步骤S031-S032：

S031、对存储的DNA分子序列进行测序，得到DNA分子序列的读长；

S032、对读长进行预处理，去除读长中的噪音数据，将预处理后的读长进行转码得到原始文本。

具体地，首先对存储的DNA分子序列进行测序，即DNA测序(DNA sequencing)，是指分析特定DNA片段的碱基序列，也就是腺嘌呤(A)、胸腺嘧啶(T)、胞嘧啶(C)与鸟嘌呤的(G)排列方式；例如，采用二代测序仪或三代测序仪进行测序，测序仪输出的结果文件由reads组成；其中reads是测序仪对一个DNA序列分子的碱基构成的判断，即为读长。

在步骤S032中，对测序得到reads进行解码还原英文文本字符之前，需要进行数据的预处理，数据预处理的工作主要是删除低质量的reads即对读长中的噪音数据进行处理，其包括：删除无法纠正插入或缺失的reads、纠正可以纠正插入或缺失的reads。在进行数据预处理的基础上，对得到的reads进行解码、RS纠错和多序列纠错后，运用单词纠错技术，恢复出原编码的英文文本。

更为具体地，在实施例中对reads进行预处理的过程包括以下步骤至少之一：

1)将reads中的‘N’碱基替换成碱基‘A’，其中，‘N’字符指测序仪无法准确给出此位置具体为何种碱基，采用用‘N’来替代。

2)删除低质量的reads即连续四个碱基的Phred质量小于20的reads。reads中各碱基对应的质量值，反应了该碱基识别的正确性程度，根据步骤S01中的编码规则所确定的一个编码单元的长度为6和Index值各数位的编码单元为5的情况，预处理过程中认定连续6个碱基的phred值低，即认定该reads质量不合格，应删除。

3)删除碱基数量过小的reads，即reads长度小于(L-5)的reads；

4)删除碱基数量过大的reads，即reads长度大于(L+5)的reads。

在一些可选的实施例中，对读长进行预处理，删除低质量的读长这一处理过程中还可以包括步骤5)：

5)纠正长度介于(L-2)和(L+2)的插入/缺失错误的reads。针对错误的碱基单元，确定汉明距离为最小值的字符为其解码字符。

例如，纠正reads的插入/缺失错误的完整过程为：

a)设定一个滑动窗口，窗口大小为个解码单元的个数，例如，为2。

b)reads从左到右，依次取个解码单元对应的碱基序列直至不能完整取出个编码单元为止，依据编码表，计算个解码单元距离编码表的最小汉明距离列表list。如果list各元素的值都大于等于2，则表明第一个解码单元存在插入或缺失，执行c)步；否则执行重复b)步。

c)依次在第一个编码单元各碱基插入一个适当的字符或删除一个字符，插入或删除的字符必须满足：条件1)是根据编码表的汉明距离最小的编码单元对应的字符；条件2)插入或删除字符后的滑动窗口最小汉明距离list种各元素均小于2；否则执行第b)步。

d)删除插入/缺失纠正的reads的长度不等于L的reads。

在本实施例中，步骤S032进行转码得到原始文本这一过程，其可以进一步细分为步骤S032a-S032c：

S032a、获取预处理后的读长，根据编码规则逆推，得到解码字符行；

S032b、对解码字符行进行纠错，得到解码文本字符行；

S032c、根据解码文本字符行以及文本内容得到若干分组，根据分组进行解码，得到原始文本。

具体地，对于经过预处理所得到reads，首先，根据步骤S01中所采用的字符编码表、index编码表、RS分组编码表，连续的6个碱基为一编码单元，得出该编码单元对应的字符,进而得出该reads对应的解码字符行。然后，对每个reads对应的解码字符行进行RS纠错，生成仅包含index信息和纠错结果的文本字符串拼接而成的解码文本字符行。再根据解码文本字符行的index值和文本内容进行分组。根据多重性原理，将上述得到的各分组对应的真实文本行，即原始文本行解码出来，放入集合T中，并根据index值排序T集合中的解码文本字符行。依次将T集合中的解码文本字符行的index值去除，输出文本数据区域字符串到解码字符文件中。

在本实施例中，步骤S032c中，根据解码文本字符行以及文本内容得到若干分组这一过程，其可以进一步细分为步骤S032c1-S032c2：

S032c1、根据解码文本字符行的索引值划分得到若干分组，确定分组中成员的文本相似度；

S032c2、根据文本相似度对分组中的成员进行二次划分，二次划分包括步骤A-C中至少之一：

A、根据预设的第一阈值，将文本相似度小于第一阈值的成员添加至其他分组。

B、确定文本相似度的均值，根据均值删除分组成员。

C、根据文本相似度，将未归属分组的成员进行聚类，得到新的分组。

具体地，如图3所示，根据解码文本字符行的index值和文本内容进行分组。在初步分组时，采用index值进行分组；

在初步分组后，对于分组成员数小于3的分组各解码文本字符行，采用文本数据区域与其他分组(分组成员大于3)的中心成员(分组中心成员指该成员与其所属分组的其他成员的文本相似度均值最高，该成员可以近似代表该分组对应的实际存储行)的文本相似度，如果相似度大于某一阈值(例如，取0.8)，则将该解码字符行从当前分组删除，并将其投递到与该文本相似度最高的分组。实施例中，两个字符串的文本相似度计算方法为：两个字符串s1，s2，先使用序列比对算法比如Needle-Wunsch算法进序列比对，将比对后的字符串相同位置的字符相等的数量进行计数，将该计数与字符串s1和s2的长度的最大值，直接相除，相除后的结果即为两个字符串的文本相似度。

对各分组的成员，按照文本相似度原则，删除与分组其他成员文本相似度差异较大的成员。其中，分组某成员与分组其他成员的文本相似度具体为该成员与其所属分组的其他成员的文本相似度均值。

删除分组代表的唯一解码字符行中Index值不合法的分组。判定Index值是否合法的依据为：将该Index值与编码文本文件时测序的DNA存储序列的数量进行比较，如果该Index值小则合法，否则非法。

对未确定分组的解码文本字符行，按照文本相似度进行聚类，同时，删除聚类对应的解码文本字符行Index值非法的聚类。对未确定分组的解码文本字符行，按照文本相似度，投递到与该解码文本字符行的文本相似度最大的分组中去。

在本实施例中，步骤S032c中，根据分组进行解码，得到原始文本这一过程，同样还可以细分为步骤S032c3-S032c5：

S032c3、确定分组中解码文本字符行中字符的权重值；

S032c4、确定分组的唯一长度值，使得分组中的解码文本字符行的长度值与唯一长度值相同；

S032c5、根据长度值一致的解码文本字符行以及字符的权重值，确定原始文本的字符，并组合得到原始文本。

具体地，根据多重性原理，将上述得到的各分组对应的真实文本行解码出来，放入集合T中，并根据index值排序T集合中的解码文本字符行。其中，多重性判定分组代表的唯一解码字符行具体步骤为：

首先，计算该分组各解码文本字符行的初始权重值，实施例中权重计算规则为：该解码文本字符行正确解码的英文字母数/该解码文本字符行解码的所有英文字母数。

确定分组的唯一长度值，该分组对应的唯一长度值为该分组中解码文本字符行长度出现频率最高的一个值。

如果该分组的成员数小于τ(例如，τ为3)，则对该分组的各解码文本字符行中的单词拼写进行检查并自行进行纠正。如果该分组的成员数小于τ，则将该分组中字符长度不等于即将解出的唯一解码字符行的长度θ的解码文本字符行，与该分组中的任意长度等于θ的解码文本解码字符行进行序列比对，进而将其进行适当伸缩或拉伸。

根据分组中的各解码文本字符行的数据，依次计算出该分组对应的唯一解码行中对应列的字符值。实施例中计算规则为：各列字符的确定，依次计算该列在所有行，每个字符在各行的权重值的和；选取权重值和最大的字符。

综上所述，本实施例的实施过程可以概括为：根据编码规则，对英文文本中顺序出现的各字符进行编码，每N个原始文本字符的碱基序列依次添加index值，得到一系列DNA存储序列。将DNA存储序列合并成碱基序列，进行生物存储、扩增以及测序后，对测序文件中的各reads进行数据清理。将得到的reads，进行解码、RS纠错和多序列纠错后，运用单词纠错技术，恢复出原编码的英文文本。

如图4所示，通过数据可以表明，本实施例的在错误率分别为0.01、0.02和0.05的情况下，测序深度25时，可以完全还原英文文本；在错误率为0.1的情况下，测序深度为45时，可以完全复现原英文文本。

从上述具体的实施过程，可以总结出，本发明所提供的技术方案相较于现有技术存在以下优点或优势：

本申请的技术方案提高了存储效率，方法在转码以及解码过程中，充分运用了原始文本中的语义信息，查询处理能力强。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

其中，功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。