新檢索方法可在幾分鐘內(nèi)找到靶DNA序列

從數(shù)據(jù)庫(kù)中檢索DNA序列需要花費(fèi)生物學(xué)家和醫(yī)學(xué)研究人員幾天的時(shí)間，多虧美國(guó)卡耐基梅隆大學(xué)計(jì)算機(jī)科學(xué)家們開發(fā)出的一種新的檢索方法，如今這種檢索只需幾分鐘時(shí)間就可完成。

由計(jì)算生物學(xué)副教授Carl Kingsford和計(jì)算生物學(xué)系博士生Brad Solomon開發(fā)的這種方法旨在檢索所謂的短測(cè)序片段(short reads)，即由高通量測(cè)序技術(shù)產(chǎn)生的DNA和RNA序列。它依賴一種新的被稱作序列布隆樹(Sequence Bloom Tree, SBT)的索引數(shù)據(jù)結(jié)構(gòu)。研究人員在于2016年2月8日在線發(fā)表在Nature Biotechnology期刊上的一篇標(biāo)題為“Fast search of thousands of short-read sequencing experiments”的論文中，描述了這種數(shù)據(jù)結(jié)構(gòu)。

美國(guó)國(guó)家衛(wèi)生院維護(hù)著一個(gè)龐大的被稱作序列片段歸檔(Sequence Read Archive)的數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)總共含有(3×10¹⁵)個(gè)堿基對(duì)。這種信息對(duì)很多研究人員---從對(duì)基礎(chǔ)生物學(xué)過(guò)程提出問(wèn)題的那些研究人員到研究潛在癌癥**方法的那些研究人員---有用。

Kingsford說(shuō)，“這種數(shù)據(jù)庫(kù)含有未知數(shù)量的迄今為止尚未發(fā)現(xiàn)的新認(rèn)識(shí)，而且被人們大量地使用。它的主要問(wèn)題是檢索比較困難。”

它需要上千個(gè)硬盤來(lái)儲(chǔ)存這些序列。他注意到，通過(guò)短測(cè)序片段---通常每個(gè)片段長(zhǎng)50到200個(gè)堿基對(duì)---進(jìn)行搜索以便觀察哪些短測(cè)序片段能夠組裝成可能長(zhǎng)1萬(wàn)個(gè)堿基對(duì)的靶基因，是比較繁瑣的，在某些情形下需要數(shù)天時(shí)間才能完成。

正如索引能夠加快書本或目錄檢索，這種由Kingsford和Solomon開發(fā)的基于SBT的索引能夠極大地加快這種生物信息學(xué)數(shù)據(jù)庫(kù)檢索。利用被稱作布隆過(guò)濾器(Bloom filters)的數(shù)據(jù)結(jié)構(gòu)，他們實(shí)際上將每個(gè)短測(cè)序片段描述為一個(gè)固定長(zhǎng)度的子序列集合。布隆過(guò)濾器能夠高效地在小空間中儲(chǔ)存信息，并且能夠測(cè)試一種元素是不是一個(gè)集合的成員。

在**查詢水平上，SBT能夠判別靶DNA序列是否包含在這個(gè)數(shù)據(jù)庫(kù)中。如果包含的話，那么這種檢索進(jìn)行到下一個(gè)水平：SBT指示這種序列是否存在于這個(gè)數(shù)據(jù)庫(kù)的前半部分還是后半部分。在每個(gè)水平上，這種查詢以某種方式擴(kuò)散開去直到所需檢索的序列被檢索到。

Kingsford和Solomon利用2652項(xiàng)人血液、乳腺和大腦實(shí)驗(yàn)---其中每項(xiàng)實(shí)驗(yàn)產(chǎn)生的數(shù)據(jù)經(jīng)常含有十億多個(gè)RNA序列堿基對(duì)---產(chǎn)生的數(shù)據(jù)庫(kù)測(cè)試了它們的技術(shù)。他們發(fā)現(xiàn)對(duì)這種數(shù)據(jù)庫(kù)的絕大多數(shù)的檢索可以在平均20min內(nèi)完成。作為比較，他們利用現(xiàn)有的被稱作SRA-BLAST和STAR之類的技術(shù)估計(jì)了所需的檢索時(shí)間：SRA-BLAST需要2.2天，而STAR需要921天。

他們注意到，進(jìn)一步的加快檢索是可能的，這是因?yàn)檫@種新檢索方法每批次能夠同時(shí)進(jìn)行20萬(wàn)多個(gè)查詢。