MetaGraph致力成為“DNA的谷歌”，讓科學家控制大數據

在過去的二十年里，科學家們對他們能獲得的幾乎所有東西進行了測序——土壤中的細菌基因組、醫院的病毒樣本、世界各地人們的腸道微生物組，甚至是單個人類細胞內的RNA。所有這些測序輸出都被匯集到龐大的檔案中，這些檔案已經悄然成為地球上最大的數據集之一。

就數量而言，這些存儲庫現在包含的原始遺傳數據比谷歌的網頁還多。它應該是科學發現的金礦，也許確實如此。然而，由于數據是碎片化的，幾乎不可能以原始形式進行搜索，因此大部分數據實際上都無法訪問。

這就是為什么最近發表在《自然》雜志上的一種名為MetaGraph的新工具受到了很多關注。它沒有將基因組數據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領導的計算生物學家和信息學研究人員團隊以及專門從事大規模序列索引和圖算法的幾位合作者開發的。

他們的目標不是建立另一個參考基因組或注釋數據庫，而是使原始測序數據本身可以在PB級進行搜索。實際上，他們希望有一個系統可以直接處理存儲在全球檔案中的未組裝數據，并且仍然返回準確的生物學答案，而無需重新調整數據以適應現有工具。

巴黎巴斯德（Pasteur）研究所的生物計算研究員Rayan Chikhi說：“這是一項巨大的成就。他們為分析原始生物數據（包括DNA、RNA和蛋白質序列）設定了一個新的標準”，這些數據來自可以包含數百萬億個DNA字母的數據庫，相當于“PB級”的信息，比谷歌龐大搜索引擎中的所有網頁都多。

MetaGraph被描述為“DNA的谷歌”，但Chikhi認為它實際上更接近YouTube的搜索引擎，它不僅匹配關鍵字，還分析內容本身。它直接搜索原始DNA和RNA讀數，可以檢測從未被注釋甚至已知存在的模式或變體，從而可以發現傳統工具完全錯過的信號。

為此，MetaGraph將原始測序讀數排列成一個圖表，該圖表表示DNA或RNA的小片段在許多數據集中是如何重疊的。它并不試圖組裝完整的基因組。相反，它捕獲了數百萬個短片段之間的關系，這使得系統能夠跟蹤特定序列出現的位置——即使它只是遙遠物種或環境之間共享的一小部分。

圖形本身以壓縮格式存儲，但仍然可以直接搜索。當研究人員運行查詢時，MetaGraph不會重新處理整個數據集。它在圖形結構中導航，以定位已經觀察到類似模式的區域。這種方法可以在合理的時間內搜索非常大的原始數據集合，同時仍然在原始讀取的級別上工作，而不依賴于注釋或預構建的引用。

研究人員對MetaGraph進行了抗生素耐藥性的真實測試。他們從世界各地收集了241384個人類腸道微生物組樣本，并提出了一個簡單的問題：這些樣本中的抗性基因隱藏在哪里？通常，回答這個問題意味著組裝每個數據集，構建引用，并在數千個文件中運行單獨的管道。

這種體力勞動可能需要幾周或幾個月的時間。MetaGraph在一臺高性能機器上大約一個小時就完成了這項工作。由于該工具是為了直接搜索原始讀數而構建的，因此即使抗性基因僅以微小片段出現，或者在根本沒有參考基因組的物種中出現，它也能夠發現抗性基因。該系統還揭示了與抗生素使用已知差異相一致的地理模式。

MetaGraph并不是使大規模測序檔案可搜索的唯一嘗試。Chikhi本人與Artem Babaian一起開發了一個名為Logan的獨立平臺，從不同的角度解決了這個問題。Logan沒有對原始讀數進行索引，而是將它們縫合成更長的DNA片段，這使其能夠在大量數據集中快速識別完整的基因及其變體。

這種方法發現了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特定目標進行了優化，它們可能會錯過沒有形成干凈、完整序列的信號。MetaGraph旨在直接搜索原始數據，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?；A設施或自定義管道的情況下挖掘全球數據集。這可能會加速藥物發現、環境監測和個性化醫療。

也許最重要的轉變是，未來的科學突破可能根本不需要新的實驗。它們可能來自存檔多年的數據，我們已經收集了這些數據，但現在才能夠真正搜索、理解和使用它們。

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