05、解剖CEL文件各版本格式和读取方法（非R语言）

05、解剖CEL⽂件各版本格式和读取⽅法（⾮R语⾔）
相⽐DAT⽂件，⽹络上更⽀持CEL级别的⽂件。

CEL已经把DAT图像转换成数据了，⽽且CEL⽐DAT所占空间⼩得多。

介绍⼀下CEL⽂件的格
式，CEL⽂件有⽂本⽂件（TextCelFile，版本3）、BinaryCelFile（⼆进制⽂件，版本4）、GenericCelFile（普通⽂件，版本1）三种。

1）版本3
早期的CEL⽂件是版本3的，因为是⽂本⽂件，所以直接⽤记事本打开就可以看到⾥⾯的内容了，如下是GSM2899.CEL：
[CEL]
Version=3
[HEADER]
Cols=640
Rows=640
……
DatHeader=
[5..46118] AFRGV01031201:CLS=4733 RWS=4733 XIN=3 YIN=3 VE=17 2.0 03/12/ 1 17:16:25 GridVerify=None HG_U95Av2.1sq 6……
CellHeader=X Y MEAN STDV NPIXELS
0 0 278.0 95.3 25
1 0 22909.3 5244.4 20
2 0 390.0 121.0 25
3 0 22530.0 5102.5 25
……
638 639 20835.5 3531.1 20
639 639 292.0 85.2 25
可以看到Version=3，列数Cols和⾏数Rows都是640。

可以发现DatHeader⾥有很多的，它起到了分割字符串的作⽤（这是我第⼀次在C语⾔源码⾥看到这样的乱码），把“DatHeader=”后⾯的部分分割成若⼲部分，然后找出以“.1sq”结尾的那部分，即“HG_U95Av2.1sq”，再把“.1sq”去掉，就成功读取出芯⽚型号HG_U95Av2了。

CellHeader=X Y MEAN STDV NPIXELS中的X和Y指的就是探针（特征）的X坐标和Y坐标，MEAN指探针的强
度，STDV是⽅差，NPIXELS指⽤多少个像素来计算MEAN和STDV。

每⼀⾏是⼀个探针（特征）的数据，这是⼀个640*640的阵列，所以X会从0变化到（640-1），以此循环640次，Y也从0变化到（640-1），不过每个数要重复640次。

这样，就刚好有640*640⾏了。

我们所要⽤到的数据只是MEAN那⼀列⽽已，不需要STDV和NPIXELS，⽽X和Y可以经过推算得出。

这样，我们就可以理解为：坐标为（0,0）的探针强度为278.0，坐标为（1,0）的探针强度为22909.3，坐标为（2,0）的探针强度为390.0……
2）版本4
后来出现了版本4的CEL⽂件，它们是⼆进制⽂件，直接⽤记事本打开会看到很多的乱码。

可以⽤CellFileConversionTool.exe⼯具进⾏版本3和版本4的格式转换。

把版本3转换成版本4后，⽂件就⼩多了，因为已经去掉了X和Y这两列的数据。

该版本采⽤了⼩端字节序，下⾯列举了不同数据类型的不同读取⽅法：
Integer：
若⽤Java读取整型数据：
如：FileInputStream fin=new FileInputStream("CEL⽂件的路径");
DataInputStream din=new DataInputStream(fin);
……
/*先读取出4个字节*/
int[] byteDataInt=new int[4];
for (int i=0;i<4;i++)
byteDataInt[i]=din.read();
/*移位，第（i-1）个字节右移i*8个字节*/
for (int i=0;i<4;i++)
byteDataInt[i]=byteDataInt[i]<<8*i;
/*再进⾏ | 运算*/
int result=byteDataInt[0]|byteDataInt[1]|byteDataInt[2]|byteDataInt[3];……
若⽤C把完成以上的⼯作，就⽅便多了：
如：FILE *infile = fopen("CEL⽂件的路径", "rb")) ;
……
int result;
fread_int32(&result,1,infile);
……
这样，⼀个整型数据就被读取出来存放在result中了。

Short：
若⽤Java读取短整型数据：
int[] byteDataInt=new int[2];
for (int i=0;i<2;i++)
byteDataInt[i]=din.read();
for (int i=0;i<2;i++)
byteDataInt[i]=byteDataInt[i]<<8*i;
int result=byteDataInt[0] | byteDataInt[1];
⽤C语⾔：
fread_int16(&(result,1,infile);
Float：
若⽤Java读取浮点型数据：
int[] byteDataInt=new int[4];
for (int i=0;i<4;i++)
byteDataInt[i]=din.read();
int symbol=byteDataInt[3] & 8; //get the symbol
int power=(byteDataInt[3]<<1 | byteDataInt[2]>>7)-127; //get the power
int temp= byteDataInt[2] & 127; // let the 8th bit to be 0
int a=temp<<16 | byteDataInt[1]<<8 | byteDataInt[0];
float result=1;
for (int i=1;i<=23;i++)
{
int x=a&(int)(Math.pow(2, i-1)); //keep value of the i bite and make others bites to be 0
int xx=x>>(i-1); // move the i bite to the right end;
double addCount=xx*(Math.pow(2,-(23-(i-1)))); // computing the increment
result=result+addCount;
}
result=result*(int)(Math.pow(2, power));
if (symbol==1)
result=-result;
⽤C语⾔：
fread_float32(&(result,1,infile);
以上的3个例⼦可以看出，Java和C语⾔可以实现同样的功能，但是Java却⿇烦得多,⽽且实验证明，Java花的时间会多得多。

如版本4的探针强度
是float型的，假如⼀张芯⽚的640*640个探针强度都⽤Java来读取，将会花费很长的时间，⽽⽤C语⾔不⾜1秒就可以完成。

3）版本1
版本1在版本3的基础上⼜去掉了STDV和NPIXELS这两列，并且出现了fread_be_int32、fread_be_uint16、fread_be_float32等C语⾔读取⽅法，这些⽅法都有着等效的Java实现⽅法，但是⽤Java来读取CEL⽂件总是很慢的。