新檢索方法可在幾分鐘內(nèi)找到靶DNA序列

從數(shù)據(jù)庫中檢索DNA序列需要花費生物學(xué)家和醫(yī)學(xué)研究人員幾天的時間，多虧美國卡耐基梅隆大學(xué)計算機科學(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間就可完成。

由計算生物學(xué)副教授Carl Kingsford和計算生物學(xué)系博士生Brad Solomon開發(fā)的這種方法旨在檢索所謂的短測序片段(short reads)，即由高通量測序技術(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)。

美國國家衛(wèi)生院維護著一個龐大的被稱作序列片段歸檔(Sequence Read Archive)的數(shù)據(jù)庫，該數(shù)據(jù)庫總共含有(3×10¹⁵)個堿基對。這種信息對很多研究人員---從對基礎(chǔ)生物學(xué)過程提出問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，“這種數(shù)據(jù)庫含有未知數(shù)量的迄今為止尚未發(fā)現(xiàn)的新認識，而且被人們大量地使用。它的主要問題是檢索比較困難。”

它需要上千個硬盤來儲存這些序列。他注意到，通過短測序片段---通常每個片段長50到200個堿基對---進行搜索以便觀察哪些短測序片段能夠組裝成可能長1萬個堿基對的靶基因，是比較繁瑣的，在某些情形下需要數(shù)天時間才能完成。

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)庫檢索。利用被稱作布隆過濾器(Bloom filters)的數(shù)據(jù)結(jié)構(gòu)，他們實際上將每個短測序片段描述為一個固定長度的子序列集合。布隆過濾器能夠高效地在小空間中儲存信息，并且能夠測試一種元素是不是一個集合的成員。

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

Kingsford和Solomon利用2652項人血液、乳腺和大腦實驗---其中每項實驗產(chǎn)生的數(shù)據(jù)經(jīng)常含有十億多個RNA序列堿基對---產(chǎn)生的數(shù)據(jù)庫測試了它們的技術(shù)。他們發(fā)現(xiàn)對這種數(shù)據(jù)庫的絕大多數(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)估計了所需的檢索時間：SRA-BLAST需要2.2天，而STAR需要921天。

他們注意到，進一步的加快檢索是可能的，這是因為這種新檢索方法每批次能夠同時進行20萬多個查詢。