imamachi-n / bio-js

JavaScript sources for biology

bio-js

Javascript sources for biology

Read 2bit human genome

参考

.2bit format
https://genome.ucsc.edu/FAQ/FAQformat.html#format7

2bit のバイナリファイルのゲノム配列をバイナリエディタで開く。 内容を確認すると16進数で表現されており、基本的に32bit単位で情報が格納されている。 16進数(2^4, 4bit)なので、4bit × 8文字 = 32bitとなることから、8文字で32bit分(4byte)となる。

例えば、ヘッダーの先頭は以下のようになっている。

4327411A 00000000 C7010000 00000000

余談だが、上記のような32bitの16進数表記を0x4327411Aのように記述する。

参考
https://developer.mozilla.org/ja/docs/Web/JavaScript/Reference/Operators/Bitwise_Operators

バイナリ	説明
4327411A	ファイルを作成したマシンのアーキテクチャの番号
00000000	バージョン（基本、0とする）
C7010000	ファイル内のシーケンス（配列）の数
00000000	reversed（常に0）

C701000を16進数から10進数に変換すると、3,338,731,520bpとなり、ヒトゲノムのサイズである約3億bpであることがわかる。

続きのヘッダー情報を読み取っていく。

04636872 31F72800 00

最初の4bite * 2 = 8biteは染色体名の長さを表している。また、それに続く染色体名はASCIIの文字コードに変換することで人間が解釈できる文字列となる。

ASCIIコード変換表 - wiki
https://ja.wikipedia.org/wiki/ASCII

バイナリ	説明
04	染色体名の長さ（ここでは4文字・32bit()分）
636872 31	染色体名（ここでは長さ4）
F72800 00	ファイルの開始地点から比較した配列データの32bitオフセット

染色体名を変換すると、以下の通りになる。結果として、chr1を指していることがわかる。

バイナリ	ASCIIコード
63	c
68	h
72	r
31	1

このようにして、先頭にあるヘッダー情報を読み取っていくことができる。

TODOリスト

• JavaScriptでバイナリファイルをインポートするライブラリを見つける。
• ヘッダー情報とシーケンス情報をバイナリから変換する方法を探す。

エンディアンとは

参考
https://www.uquest.co.jp/embedded/learning/lecture05.html

Uint8Array

参考
https://developer.mozilla.org/ja/docs/Web/JavaScript/Reference/Global_Objects/Uint8Array

Uint8Array タイプは、8 ビット符号なし整数値の配列を表します。各要素は0で初期化されます。生成された Uint8Array オブジェクトのメソッドあるいは配列のような表記法 ("[]") を用いて、要素を参照することができます。