新工具可輕松搜索世界已知10％的基因

一種功能類似于谷歌搜索的計算工具已經證明了它的前景——可以廉價且容易地搜索生物序列數據。開發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據組織并壓縮為可搜索的格式，就像互聯網搜索引擎對網頁及其內容所做的那樣。由此產生的索引可供下載，也可通過門戶網站獲得，用戶可以掃描包含數萬億對堿基對和數十億個氨基酸的序列。

沒有參與該工作的美國馬里蘭大學的計算生物學家Rob Patro說，這項研究“是一項巨大成就，是對所有公開的測序數據進行索引這一重大挑戰的里程碑。”這樣的資源可以助力無數領域的研究，從鑒定新病毒到揭示與疾病相關的RNA序列。雖然MetaGraph并不是唯一一個旨在實現這一目標的項目，但該團隊已經創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和蛋白質序列數據的存儲庫呈指數級增長。序列讀取檔案（SRA）是一個由美國國立衛生研究院國家生物技術信息中心（NCBI）及其合作者運營的基因數據庫，包含了來自人類和其他動物、植物和細菌等生物體的超過5萬億個堿基對（50 PB堿基）。

目前的生物信息學工具無法同時掃描這么多數據，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據庫中的序列壓縮成更有組織的數據結構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，瑞士蘇黎世聯邦理工學院的生物信息學家AndréKahles和計算機科學家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學結構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。

現在，該團隊利用MetaGraph的改進版本索引來自SRA和其他數據庫的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。新發布的工具可以將幾十太字節的數據壓縮到大約10gb——小到足以在一臺個人電腦上運行。構建初始索引是很困難且昂貴的，所有SRA都要花費數十萬美元，但現在用戶可以比現有技術更便宜地查詢數據集。

英國諾丁漢特倫特大學的生物信息學家和微生物學家Lesley Hoyles說，這項工作“非常令人興奮”。隨著數據存儲庫的規模不斷膨脹，“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勢。”Hoyles說，這種方法可以減少低收入和中等收入國家的科學家進行基因組研究的障礙。“工作可以在便宜的筆記本電腦上輕松完成。”

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中的所有數據進行編目。NCBI的研究人員正在開發索引工具Pebblescout。“目前這是一個非常活躍的領域。”英國巴斯大學的計算生物學家Zamin Iqbal說。他曾參與“所有細菌”項目，該項目旨在收集細菌序列數據，使其更容易搜索。

Patro認為，由于受MetaGraph索引大小的限制，其在一些特別大的任務上可能比其他工具慢，比如同時從一個樣本中查找數百萬個序列。他補充說，目前還不清楚如何最好地用新的序列數據更新索引。還有一個挑戰是為項目提供資金，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%的序列數據，供研究人員使用。