一種功能類似于谷歌搜索的計算工具已經(jīng)證明了它的前景——可以廉價且容易地搜索生物序列數(shù)據(jù)。開發(fā)該工具的瑞士團隊表示，在一項原理驗證研究中，他們利用該工具成功索引了10%世界已知DNA、RNA和蛋白質(zhì)序列，同樣的方法也可以用于完成其余部分。

日前，該進展在預(yù)印本平臺bioRxiv上公布。這款名為MetaGraph的計算工具，可以將公開的序列數(shù)據(jù)組織并壓縮為可搜索的格式，就像互聯(lián)網(wǎng)搜索引擎對網(wǎng)頁及其內(nèi)容所做的那樣。由此產(chǎn)生的索引可供下載，也可通過門戶網(wǎng)站獲得，用戶可以掃描包含數(shù)萬億對堿基對和數(shù)十億個氨基酸的序列。

沒有參與該工作的美國馬里蘭大學(xué)的計算生物學(xué)家Rob Patro說，這項研究“是一項巨大成就，是對所有公開的測序數(shù)據(jù)進行索引這一重大挑戰(zhàn)的里程碑?！边@樣的資源可以助力無數(shù)領(lǐng)域的研究，從鑒定新病毒到揭示與疾病相關(guān)的RNA序列。雖然MetaGraph并不是唯一一個旨在實現(xiàn)這一目標(biāo)的項目，但該團隊已經(jīng)創(chuàng)建了迄今最大的索引，并且使用成本相對較低。

Patro指出，目前，存儲DNA、RNA和蛋白質(zhì)序列數(shù)據(jù)的存儲庫呈指數(shù)級增長。序列讀取檔案（SRA）是一個由美國國立衛(wèi)生研究院國家生物技術(shù)信息中心（NCBI）及其合作者運營的基因數(shù)據(jù)庫，包含了來自人類和其他動物、植物和細(xì)菌等生物體的超過5萬億個堿基對（50 PB堿基）。

目前的生物信息學(xué)工具無法同時掃描這么多數(shù)據(jù)，尤其是對于那些尚未組裝成基因組的序列，研究人員必須縮小序列集合的范圍。一些研究小組希望通過將較大數(shù)據(jù)庫中的序列壓縮成更有組織的數(shù)據(jù)結(jié)構(gòu)或索引來解決這個問題，以便在可下載文件或在線門戶中輕松搜索。

2020年，瑞士蘇黎世聯(lián)邦理工學(xué)院的生物信息學(xué)家AndréKahles和計算機科學(xué)家Gunnar R?tsch及其同事展示了MetaGraph的早期版本。該團隊使用稱為德布魯因圖的數(shù)學(xué)結(jié)構(gòu)表示序列之間的重疊，從SRA中索引了100多萬條記錄，總計約3 PB。

現(xiàn)在，該團隊利用MetaGraph的改進版本索引來自SRA和其他數(shù)據(jù)庫的5個pb堿基，包括來自微生物、真菌、植物、人類和人類腸道微生物組的序列。新發(fā)布的工具可以將幾十太字節(jié)的數(shù)據(jù)壓縮到大約10gb——小到足以在一臺個人電腦上運行。構(gòu)建初始索引是很困難且昂貴的，所有SRA都要花費數(shù)十萬美元，但現(xiàn)在用戶可以比現(xiàn)有技術(shù)更便宜地查詢數(shù)據(jù)集。

英國諾丁漢特倫特大學(xué)的生物信息學(xué)家和微生物學(xué)家Lesley Hoyles說，這項工作“非常令人興奮”。隨著數(shù)據(jù)存儲庫的規(guī)模不斷膨脹，“任何可以減少計算存儲和能源成本的東西……對全世界的研究人員來說都是一個巨大優(yōu)勢。”Hoyles說，這種方法可以減少低收入和中等收入國家的科學(xué)家進行基因組研究的障礙?！肮ぷ骺梢栽诒阋说墓P記本電腦上輕松完成?！?/p>

無獨有偶，其他研究小組也在取得進展。去年，法國巴斯德研究所從歐洲研究委員會獲得了200萬歐元，啟動了IndexThePlanet項目，對SRA中的所有數(shù)據(jù)進行編目。NCBI的研究人員正在開發(fā)索引工具Pebblescout。“目前這是一個非?；钴S的領(lǐng)域?！庇退勾髮W(xué)的計算生物學(xué)家Zamin Iqbal說。他曾參與“所有細(xì)菌”項目，該項目旨在收集細(xì)菌序列數(shù)據(jù)，使其更容易搜索。

Patro認(rèn)為，由于受MetaGraph索引大小的限制，其在一些特別大的任務(wù)上可能比其他工具慢，比如同時從一個樣本中查找數(shù)百萬個序列。他補充說，目前還不清楚如何最好地用新的序列數(shù)據(jù)更新索引。還有一個挑戰(zhàn)是為項目提供資金，以及隨之而來的所有計算成本。事實上，該工具最終是否被廣泛采用，將部分取決于“如何解決社會和行政方面的問題，即如何使用如此大量的資源”。

Kahles和R?tsch對此表示贊同，他們希望這項工作能激勵其他團體，以及NCBI或SRA等更大的組織的參與，并幫助索引剩余90%的序列數(shù)據(jù)，供研究人員使用。