SPRING—用于FASTQ数据的下一代压缩器

本文是来自Stanford Compression Workshop 2019的演讲，作者是来自斯坦福大学的博士毕业生，Shubham Chandak，他致力于基因组数据压缩和DNA存储方面的研究。本次演讲主要讲述了用于FASTQ数据的新一代压缩器SPRING。

Shubham首先介绍了基因组测序方面的工作，人体基因序列长度高达三十亿，并且由于序列长度过长，所以只能将其划分成许多片段进行存储，但是最基本的构成单元只有ACGT，所以每个基因序列片段中存在着大量的重复。此外，由于基因测序覆盖范围的逐步扩大和测序成本的迅速下降，产生了大量的基因序列数据。基于以上两个原因，Shubham提出了基因组数据压缩的必要性。

接着Shubham介绍了FASTQ格式数据具体的存储结构，并解释了存储原始数据的必要性。然后，他从读取压缩的角度了几种压缩工具的性能：未压缩的数据使用一个字节表示一个碱基，所以数据量非常大；gzip将其降低到使用2个字节表示一个碱基，但这仍不是最佳选择；Fastore压缩性能大大增强，可以将79G的原始数据压缩到20G；但SPRING相比于这些压缩器拥有更优越性的性能：压缩率相较于gzip提高了10倍，相较于Fastore提高了2-3倍。接下来Shubham介绍了SPRING压缩器的一些核心思想和压缩流程。

最后，Shubham介绍了SPRING作为一个实用压缩器的多种模式，它可以支持多种压缩模式，包括无损和有损压缩，保留配对的压缩，长读取访问和随机访问等。