在過(guò)去的二十年里，科學(xué)家們對(duì)他們能獲得的幾乎所有東西進(jìn)行了測(cè)序——土壤中的細(xì)菌基因組、醫(yī)院的病毒樣本、世界各地人們的腸道微生物組，甚至是單個(gè)人類細(xì)胞內(nèi)的RNA。所有這些測(cè)序輸出都被匯集到龐大的檔案中，這些檔案已經(jīng)悄然成為地球上最大的數(shù)據(jù)集之一。

就數(shù)量而言，這些存儲(chǔ)庫(kù)現(xiàn)在包含的原始遺傳數(shù)據(jù)比谷歌的網(wǎng)頁(yè)還多。它應(yīng)該是科學(xué)發(fā)現(xiàn)的金礦，也許確實(shí)如此。然而，由于數(shù)據(jù)是碎片化的，幾乎不可能以原始形式進(jìn)行搜索，因此大部分?jǐn)?shù)據(jù)實(shí)際上都無(wú)法訪問。

這就是為什么最近發(fā)表在《自然》雜志上的一種名為MetaGraph的新工具受到了很多關(guān)注。它沒有將基因組數(shù)據(jù)視為需要首先清理和組織的東西，而是采取了相反的方法，擁抱混亂。

MetaGraph是由Gunnar R?tsch和AndréKahles領(lǐng)導(dǎo)的計(jì)算生物學(xué)家和信息學(xué)研究人員團(tuán)隊(duì)以及專門從事大規(guī)模序列索引和圖算法的幾位合作者開發(fā)的。

他們的目標(biāo)不是建立另一個(gè)參考基因組或注釋數(shù)據(jù)庫(kù)，而是使原始測(cè)序數(shù)據(jù)本身可以在PB級(jí)進(jìn)行搜索。實(shí)際上，他們希望有一個(gè)系統(tǒng)可以直接處理存儲(chǔ)在全球檔案中的未組裝數(shù)據(jù)，并且仍然返回準(zhǔn)確的生物學(xué)答案，而無(wú)需重新調(diào)整數(shù)據(jù)以適應(yīng)現(xiàn)有工具。

巴黎巴斯德（Pasteur）研究所的生物計(jì)算研究員Rayan Chikhi說(shuō)：“這是一項(xiàng)巨大的成就。他們?yōu)榉治鲈忌飻?shù)據(jù)（包括DNA、RNA和蛋白質(zhì)序列）設(shè)定了一個(gè)新的標(biāo)準(zhǔn)”，這些數(shù)據(jù)來(lái)自可以包含數(shù)百萬(wàn)億個(gè)DNA字母的數(shù)據(jù)庫(kù)，相當(dāng)于“PB級(jí)”的信息，比谷歌龐大搜索引擎中的所有網(wǎng)頁(yè)都多。

MetaGraph被描述為“DNA的谷歌”，但Chikhi認(rèn)為它實(shí)際上更接近YouTube的搜索引擎，它不僅匹配關(guān)鍵字，還分析內(nèi)容本身。它直接搜索原始DNA和RNA讀數(shù)，可以檢測(cè)從未被注釋甚至已知存在的模式或變體，從而可以發(fā)現(xiàn)傳統(tǒng)工具完全錯(cuò)過(guò)的信號(hào)。

為此，MetaGraph將原始測(cè)序讀數(shù)排列成一個(gè)圖表，該圖表表示DNA或RNA的小片段在許多數(shù)據(jù)集中是如何重疊的。它并不試圖組裝完整的基因組。相反，它捕獲了數(shù)百萬(wàn)個(gè)短片段之間的關(guān)系，這使得系統(tǒng)能夠跟蹤特定序列出現(xiàn)的位置——即使它只是遙遠(yuǎn)物種或環(huán)境之間共享的一小部分。

圖形本身以壓縮格式存儲(chǔ)，但仍然可以直接搜索。當(dāng)研究人員運(yùn)行查詢時(shí)，MetaGraph不會(huì)重新處理整個(gè)數(shù)據(jù)集。它在圖形結(jié)構(gòu)中導(dǎo)航，以定位已經(jīng)觀察到類似模式的區(qū)域。這種方法可以在合理的時(shí)間內(nèi)搜索非常大的原始數(shù)據(jù)集合，同時(shí)仍然在原始讀取的級(jí)別上工作，而不依賴于注釋或預(yù)構(gòu)建的引用。

研究人員對(duì)MetaGraph進(jìn)行了抗生素耐藥性的真實(shí)測(cè)試。他們從世界各地收集了241384個(gè)人類腸道微生物組樣本，并提出了一個(gè)簡(jiǎn)單的問題：這些樣本中的抗性基因隱藏在哪里？通常，回答這個(gè)問題意味著組裝每個(gè)數(shù)據(jù)集，構(gòu)建引用，并在數(shù)千個(gè)文件中運(yùn)行單獨(dú)的管道。

這種體力勞動(dòng)可能需要幾周或幾個(gè)月的時(shí)間。MetaGraph在一臺(tái)高性能機(jī)器上大約一個(gè)小時(shí)就完成了這項(xiàng)工作。由于該工具是為了直接搜索原始讀數(shù)而構(gòu)建的，因此即使抗性基因僅以微小片段出現(xiàn)，或者在根本沒有參考基因組的物種中出現(xiàn)，它也能夠發(fā)現(xiàn)抗性基因。該系統(tǒng)還揭示了與抗生素使用已知差異相一致的地理模式。

MetaGraph并不是使大規(guī)模測(cè)序檔案可搜索的唯一嘗試。Chikhi本人與Artem Babaian一起開發(fā)了一個(gè)名為L(zhǎng)ogan的獨(dú)立平臺(tái)，從不同的角度解決了這個(gè)問題。Logan沒有對(duì)原始讀數(shù)進(jìn)行索引，而是將它們縫合成更長(zhǎng)的DNA片段，這使其能夠在大量數(shù)據(jù)集中快速識(shí)別完整的基因及其變體。

這種方法發(fā)現(xiàn)了2億多種塑料降解酶的天然版本。然而，像Logan這樣的基于組裝的工具針對(duì)特定目標(biāo)進(jìn)行了優(yōu)化，它們可能會(huì)錯(cuò)過(guò)沒有形成干凈、完整序列的信號(hào)。MetaGraph旨在直接搜索原始數(shù)據(jù)，為研究人員提供更大的范圍和潛在的靈活性。

如果像MetaGraph這樣的工具廣泛可用，任何地方的研究人員都可以在沒有大規(guī)模基礎(chǔ)設(shè)施或自定義管道的情況下挖掘全球數(shù)據(jù)集。這可能會(huì)加速藥物發(fā)現(xiàn)、環(huán)境監(jiān)測(cè)和個(gè)性化醫(yī)療。

也許最重要的轉(zhuǎn)變是，未來(lái)的科學(xué)突破可能根本不需要新的實(shí)驗(yàn)。它們可能來(lái)自存檔多年的數(shù)據(jù)，我們已經(jīng)收集了這些數(shù)據(jù)，但現(xiàn)在才能夠真正搜索、理解和使用它們。

與 Ai 時(shí)代前沿合作，將大門向更多普通用戶敞開！無(wú)論你是對(duì)新技術(shù)充滿好奇心的愛好者，還是希望提升自己技能的職場(chǎng)人士，這里都有適合你的課程和資源。歡迎掃碼加入我們！