搜索技術幫助研究人員在幾分鐘而不是幾天內(nèi)找到DNA序列

由于卡內(nèi)基梅隆大學計算機科學家開發(fā)了一種新的搜索方法，現(xiàn)在可以在幾分鐘內(nèi)完成數(shù)據(jù)庫搜索DNA序列，這些DNA序列可以讓生物學家和醫(yī)學研究人員服用。由計算生物學副教授Carl Kingsford和博士研究生Brad Solomon開發(fā)的方法。計算生物學系的學生，旨在搜索所謂的“短讀取” - 通過高通量測序技術生成的DNA和RNA序列。它依賴于一種新的索引數(shù)據(jù)結構，稱為序列綻放樹或SBT，研究人員在今天由Nature Biotechnology雜志在線發(fā)表的報告中描述了這種結構。

美國國立衛(wèi)生研究院維護著一個名為Sequence Read Archive的龐大數(shù)據(jù)庫，該數(shù)據(jù)庫包含大約三個petabases，或總共三千萬億堿基對的序列。這些信息對于廣泛的研究人員非常有用，從提出有關基本生物過程的問題到研究潛在癌癥治療的研究人員。

金斯福德說：“該數(shù)據(jù)庫包含了無數(shù)尚未被發(fā)現(xiàn)的數(shù)據(jù)，并且被大量使用。” “它的主要問題是搜索非常困難。”

存儲這些序列需要數(shù)千個硬盤驅動器。他指出，通過短讀數(shù)(每個通常為50到200個堿基對)進行搜索，看看哪些可以組裝形成大約10,000個堿基對的靶基因，這很麻煩，在某些情況下可能需要數(shù)天。

正如索引可以加快書籍或目錄的搜索速度一樣，Kingsford和Solomon開發(fā)的基于SBT的索引可以極大地加速對該生物信息學數(shù)據(jù)庫的搜索。它們實際上將每個短讀取表示為一組固定長度的子序列，采用稱為布隆過濾器的數(shù)據(jù)結構，可以有效地將信息存儲在一個小空間中，并可以測試一個元素是否是一個集合的一部分。

在第一級調(diào)查中，SBT可以判斷數(shù)據(jù)庫中是否包含目標DNA序列。如果是，則搜索進行到下一級別，其中SBT指示序列是在數(shù)據(jù)庫的一半還是另一半中。在每個級別，查詢以這樣或那樣的方式分支，直到識別出期望的實驗。

Kingsford和Solomon使用2,652人血液，乳房和大腦實驗數(shù)據(jù)庫測試了他們的技術，每個實驗通常包含超過10億個堿基對的RNA序列。他們發(fā)現(xiàn)該數(shù)據(jù)庫的大多數(shù)搜索都可以在平均20分鐘內(nèi)完成。他們估計使用現(xiàn)有技術(稱為SRA-BLAST和STAR)的可比搜索時間分別需要2.2天和921天。

他們指出，可以進一步加速，因為可以同時執(zhí)行超過200,000次查詢。

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如有侵權行為，請第一時間聯(lián)系我們修改或刪除，多謝。

推薦內(nèi)容