“DNA谷歌”来了，海量数据搜索引擎开辟生物学研究新领域

互联网有谷歌，如今生物学领域有了MetaGraph。这款搜索引擎能够快速筛选公共数据库中储存的海量生物数据。相关研究成果10月8日发表于《自然》。

“这是一项了不起的成就。”法国巴斯德研究所的Rayan Chikhi表示，“他们为分析原始生物数据设定了一个新标准。”这些数据包括DNA、RNA和蛋白质序列，来源于可能包含千万亿级DNA碱基的数据库，相当于拍字节（1拍字节=1000万亿字节）的信息，其数量甚至超过谷歌庞大索引中的所有网页。

尽管MetaGraph被视为“DNA谷歌”，但Chikhi更倾向于将其比作“YouTube搜索引擎”，因为它背后的计算任务难度更高。就像在YouTube上搜索时，能够检索到所有以“红色气球”为特征的视频，即使这一关键词并未出现在标题、标签或描述中。MetaGraph同样无需提前对基因模式进行明确标注，就能找到隐藏在庞大测序数据集深处的这些模式。

开发MetaGraph的初衷是为了解决测序数据集的可及性问题。过去几十年间，生物数据库的规模呈爆炸式增长，却给使用这些数据的科学家带来了挑战——原始测序读数碎片化、噪声多，且数量庞大，无法直接检索。加拿大多伦多大学的Artem Babaian指出：“矛盾的是，数据量反而成了我们实际使用这些数据的最大障碍。”

论文共同通讯作者、瑞士苏黎世联邦理工学院的Andr Kahles表示，MetaGraph能够帮助研究人员向序列读取档案库（SRA）这样的数据库提出生物学问题。SRA作为一个公共数据库，包含的DNA碱基已超过10亿亿个。

研究团队借助数学“图谱”解决了数据检索难题。这种图谱能将重叠的DNA片段连接起来，就像图书索引中排列的使用相同词汇的句子一样。

研究人员整合了7个公共资助数据库的数据，构建出涵盖病毒、细菌、真菌、植物、动物，也包括人类在内的所有生物类群的序列集，其中包含1880万个独特的DNA和RNA序列集，以及2100亿个氨基酸序列集。同时，他们还为这些序列开发了一款搜索引擎，用户只需通过文本提示，就能检索这些整合后的原始数据档案。

“这是一种与这类数据交互的全新方式。”Kahles说，“数据虽然经过压缩处理，但可实现即时访问。”

为证明MetaGraph的实用价值，研究团队利用它对全球241384个人类肠道微生物组样本进行了检索，旨在寻找全球抗生素耐药性的基因标志物。这项研究是在前期工作基础上开展的。此前研究人员曾利用旧版MetaGraph追踪过全球主要城市地铁系统中细菌菌株的耐药基因。据团队介绍，在一台高性能计算机上完成这项分析仅需约1个小时。

MetaGraph并非目前唯一的大规模序列检索工具。例如，Chikhi和Babaian共同开发了一个名为Logan的平台，能将数十亿条短测序读数拼接成更长、更有组织的DNA片段。这种设计架构使其能在比MetaGraph更大规模的测序读数集合中，识别出完整基因及其变异。Chikhi表示：“我们的工具功能较少，但性能更强。”

凭借更广的检索范围，Logan帮助研究人员发现了2亿多个天然存在的“噬塑酶”变体，这些变体来源于多种细菌、真菌和昆虫，其中部分变体的活性甚至优于实验室设计的酶。9月，这一发现公布于预印本bioRxiv。

Babaian认为，这类发现离不开开源检索工具及其依托的公共测序数据库。目前，一些生物数据库正面临资金削减的威胁，他强调，这些检索技术的创新恰恰凸显了“开放数据共享至关重要”。“这些资源正在推动全球科学进步，并开启了一个全新的‘拍字节级基因组学’领域。”

相关论文信息：https://doi.org/10.1038/s41586-025-09603-w       https://doi.org/10.1101/2024.07.30.605881