Parallel decompression of FASTQ files generated by seqkit
まだ誰も着手していません。
評価
- 難易度
- 4/5
- 見積もり時間
- 3〜5日
- 初心者へのやさしさ
- 25/100
- issue の種類
- 機能追加
- 明瞭さ
- おおむね明確
- 活発さ
- 停滞
- 技術スタック
- go
調査の方向性
Start by locating seqkit's FASTQ compression path and its use of pgzip, then compare the generated gzip blocks with the BGZF Extra-field format described in the linked SAM specification. Done means choosing and implementing one supported approach—recording compressed block lengths or switching to BGZF—so downstream tools can parallelize decompression.
索引モデルが issue の本文から書いたものです。
説明
Greetings,
I am the author of Genozip (www.genozip.com) - a software package for compressing FASTQ / BAM / VCF.
When compressing a fastq file, Genozip first inflates the gzip compression before re-compressing with genozip. Many fastq files are compressed with BGZF (bgzip) - BGZF is essentially a concatenation of 64KB gzip blocks, with the crucial property of populating the gzip optional Extra field with the length of the compressed block. This allows downstream applications, like htslib, aligners and also Genozip, to fan out the gzip blocks to multiple threads for parallel decompression - as it is possible to know the length of a gzip block without decompressing it.
I have recently encountered a FASTQ file that I think was generated by seqkit - it appears to be a concatenation of gzip blocks, each containing, when uncompressed, 1 MB of fastq data - the hallmark of pgzip compression. Unfortunately, since there is no information as to the length of a compressed block, Genozip as well as any other applications cannot parallelize decompressing it.
To solve this issue, I would like to suggest that you add an Extra subfield containing the compressed length of the block. As a reference, in page 13 of the SAM specification you can see how this is done in BGZF: https://samtools.github.io/hts-specs/SAMv1.pdf. An alternative solution would be switching from pgzip to bgzf.
Thanks,
-divon
- 主要言語
- Go
- スター
- 1.6k
- フォーク
- 189
- PR マージ指標
- 30日以内にマージされた PR はありません
環境構築
- Dockerfile または Docker Compose ファイルあり
- プルリクエストのテンプレートなし
- コントリビューションガイドなし
はじめの一歩
- issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
- 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
- リポジトリをフォークし、ブランチを切って変更します。
- issue 番号を参照したプルリクエストを送ります。
shenwei356/seqkit のほかの issue
-
convert: no range check between Phred encodings, so a wrong --from writes a broken FASTQ (exit 0)オープン
難易度 2/5 1〜3時間 初心者へのやさしさ 82/100
shenwei356/seqkit#612 · コメント 1 件 ·
-
難易度 5/5 1週間以上 初心者へのやさしさ 35/100
shenwei356/seqkit#620 ·
-
sliding, merge-slides, mutate, translate, replace: panics, lost windows and wrong output with exit 0オープン
難易度 5/5 1週間以上 初心者へのやさしさ 35/100
shenwei356/seqkit#619 ·
-
難易度 5/5 1週間以上 初心者へのやさしさ 20/100
shenwei356/seqkit#618 ·
-
難易度 5/5 1週間以上 初心者へのやさしさ 25/100
shenwei356/seqkit#617 ·
shenwei356/seqkit の issue をすべて見る
似ている issue
-
Project submission:オープン
難易度 1/5 1時間未満 初心者へのやさしさ 72/100
slavakurilyak/awesome-ai-agents#845 ·
メンテナーはふだん 1 日以内に返信
-
bug
難易度 2/5 1〜3時間 初心者へのやさしさ 68/100
メンテナーはふだん 3 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 85/100
-
難易度 2/5 1〜3時間 初心者へのやさしさ 74/100
JakeChampion/lang#13132 ·
メンテナーはふだん 1 日以内に返信
-
[BUG] deploy.restart_policy without condition drops the restart policy対応中かも @akshat-lakhera が今日担当しました。 オープン
難易度 2/5 1〜3時間 初心者へのやさしさ 82/100
docker/compose#14383 · コメント 1 件 ·
メンテナーはふだん 1 日以内に返信