Google dla DNA: przełom w przeszukiwaniu genetycznych bibliotek życia

Każdego dnia laboratoria na całym świecie generują gigantyczne ilości danych genetycznych. W publicznych archiwach, takich jak Europejskie Archiwum Nukleotydów (ENA) czy amerykańskie Sequence Read Archive (SRA), zgromadzono już ponad 100 petabajtów surowych danych – to objętość porównywalna z całym tekstem w internecie. W tej cyfrowej bibliotece życia kryją się odpowiedzi na kluczowe pytania medycyny: od źródeł antybiotykooporności po nieznane wirusy. Do tej pory jednak przeszukiwanie tego oceanu danych było zadaniem niemal niewykonalnym – powolnym, ekstremalnie kosztownym i wymagającym ogromnej mocy obliczeniowej. To tak, jakby mieć największą bibliotekę świata, ale bez katalogu i wyszukiwarki.

Google dla DNA: przełom w przeszukiwaniu genetycznych bibliotek życia

Wyobraź sobie, że możesz wpisać dowolną sekwencję DNA w pole wyszukiwania i w ciągu kilku sekund dowiedzieć się, w którym organizmie i w jakiej części świata kiedykolwiek ją zaobserwowano. To, co brzmi jak science fiction, stało się rzeczywistością dzięki nowemu narzędziu o nazwie MetaGraph, opracowanemu przez naukowców z ETH w Zurychu. W przełomowej publikacji na łamach czasopisma Nature przedstawili oni metodę, która pozwala na wydajne, dokładne i, co kluczowe, tanie przeszukiwanie całych petabajtowych archiwów sekwencji biologicznych.

Problem: ocean danych bez mapy

Do tej pory, aby znaleźć konkretną sekwencję genetyczną, naukowcy musieli pobierać ogromne zbiory danych, co wymagało czasu, pieniędzy i potężnej infrastruktury. Było to główne wąskie gardło w wykorzystaniu tego bezcennego zasobu. Próba znalezienia genu oporności na antybiotyki w globalnej bazie mikrobów przypominała szukanie igły nie w stogu siana, ale w tysiącach stogów siana rozrzuconych po całym świecie.

MetaGraph rozwiązuje ten problem, tworząc rodzaj „Google dla DNA„. Zamiast pobierać całe zbiory danych, naukowcy mogą teraz przeprowadzić pełnotekstowe wyszukiwanie, uzyskując wyniki w ciągu sekund lub minut.

Jak działa MetaGraph? Nauka o kompresji i indeksowaniu

Sekret MetaGraph leży w dwóch kluczowych koncepcjach: indeksowaniu i ekstremalnej kompresji. Zamiast przechowywać surowe, powtarzające się dane, narzędzie przekształca je w wysoce zoptymalizowaną, skompresowaną reprezentację matematyczną, wykorzystując do tego zaawansowane struktury danych znane jako grafy de Bruijna.

Można to porównać do streszczenia książki: nie zawiera ono już każdego słowa, ale wszystkie główne wątki i powiązania pozostają nienaruszone. Jest bardziej kompaktowe, ale bez utraty kluczowych informacji.

Skala osiągnięć MetaGraph jest imponująca:

• Kompresja: Narzędzie potrafi skompresować dane średnio 300-krotnie, a w przypadku bardzo podobnych do siebie sekwencji (np. z ludzkich próbek) nawet ponad 7000-krotnie.

• Dostępność: Dzięki tak dużej kompresji, reprezentacja wszystkich publicznie dostępnych sekwencji biologicznych – obejmujących wirusy, bakterie, rośliny, zwierzęta i ludzi – zmieściłaby się na kilku komercyjnych dyskach twardych, których łączny koszt to około 2500 dolarów.

• Wydajność: Przeszukiwanie tego gigantycznego zbioru jest nie tylko możliwe, ale i tanie.

Oznacza to, że zaawansowane analizy, dotychczas dostępne tylko dla największych ośrodków badawczych, stają się osiągalne dla każdego laboratorium na świecie.

Co możemy odkryć dzięki MetaGraph? Nowe horyzonty w medycynie

Możliwość szybkiego przeszukiwania globalnych archiwów genetycznych otwiera drzwi do badań, które do tej pory były niemożliwe. Naukowcy w swojej pracy zademonstrowali kilka praktycznych zastosowań:

1. Walka z antybiotykoopornością: Przeszukując dane z ludzkich mikrobiomów jelitowych z całego świata, udało im się zidentyfikować silne trendy wzrostu oporności na konkretne antybiotyki na różnych kontynentach. Odkryli na przykład rosnącą oporność na tygecyklinę – antybiotyk „ostatniej szansy” – w Ameryce Południowej.

2. Odkrywanie wirusów (fagów): Narzędzie pozwala na szybkie znajdowanie bakteriofagów – wirusów, które infekują i niszczą bakterie. To kluczowe dla rozwoju terapii fagowych, które są jedną z najbardziej obiecujących alternatyw dla antybiotyków.

3. Badania nad rakiem: MetaGraph z łatwością identyfikuje specyficzne dla nowotworów cechy transkryptomu, takie jak tzw. złącza back-splicing, które są trudne do wykrycia standardowymi metodami.

Narzędzie jest już dostępne jako oprogramowanie open-source, a jego interaktywna wersja online pozwala na przeszukiwanie milionów zindeksowanych sekwencji.

Wnioski: demokratyzacja bioinformatyki

MetaGraph to nie tylko narzędzie. To fundamentalna zmiana paradygmatu w sposobie, w jaki naukowcy wchodzą w interakcję z globalnymi danymi biologicznymi. Obniżając koszty i bariery techniczne, demokratyzuje dostęp do wiedzy i przyspiesza tempo odkryć w medycynie. Jak podsumowują autorzy, ich celem było stworzenie małego, ale wydajnego prototypu „Google dla DNA”. Wszystko wskazuje na to, że ten cel został osiągnięty.

Najczęściej zadawane pytania (FAQ)

1. Czym MetaGraph różni się od narzędzia BLAST, powszechnie używanego przez biologów?
   BLAST jest narzędziem do znajdowania podobnych sekwencji w wyselekcjonowanych bazach danych (np. zsekwencjonowanych genomów referencyjnych). MetaGraph działa na innej skali: pozwala na przeszukiwanie ogromnych, surowych zbiorów danych z milionów eksperymentów (tzw. odczytów sekwencjonowania) z całego świata, co umożliwia odkrywanie zupełnie nowych powiązań i analizę częstości występowania sekwencji w skali globalnej.

2. Czy „kompresja z utratą informacji” nie jest ryzykowna w badaniach genetycznych?
   MetaGraph wykorzystuje kompresję bezstratną w kontekście zindeksowanych sekwencji. Oznacza to, że po skompresowaniu danych, można je odtworzyć do pierwotnej formy bez utraty informacji. „Utrata” następuje na etapie wstępnego przetwarzania danych, gdzie odrzucane są np. sekwencje o bardzo niskiej jakości (błędy sekwencjonowania), co jest standardową praktyką w bioinformatyce w celu poprawy jakości analizy.

3. Co to jest petabajt (Pbp) i jak duża jest to objętość danych?
   Jeden petabajt (PB) to milion gigabajtów (GB). Aby zobrazować tę skalę: gdyby cała zawartość Biblioteki Kongresu USA została zdigitalizowana, zajęłaby około 10 terabajtów. Jeden petabajt to równowartość 100 takich bibliotek. Publiczne archiwa genetyczne zawierają obecnie ponad 100 petabajtów danych.

4. Czy moje dane genetyczne, jeśli brałem/am udział w badaniu, mogą znaleźć się w MetaGraph?
   MetaGraph indeksuje dane z publicznie dostępnych archiwów, takich jak SRA czy ENA. Dane te są anonimizowane zgodnie z międzynarodowymi standardami ochrony prywatności. Jeśli dane z badania, w którym brałeś/aś udział, zostały zdeponowane w publicznym archiwum, mogą być częścią indeksu, ale bez możliwości identyfikacji Twojej osoby.

5. Kto może skorzystać z MetaGraph?
   Narzędzie jest dostępne jako oprogramowanie open-source, co oznacza, że każdy może je pobrać i używać. Dodatkowo, naukowcy uruchomili publiczną usługę internetową (MetaGraph Online), która pozwala na interaktywne przeszukiwanie części zindeksowanych danych bez potrzeby instalowania oprogramowania. Jest to narzędzie skierowane głównie do naukowców, ale jego dostępność otwiera nowe możliwości dla bioinformatyki obywatelskiej.