基因组组装可缩短至几分钟？

  基因组就好像是万物的生物学用户手册。细胞瞬间读取DNA，得到有机体生长、活动和繁殖所必需的指令。但对于人类来说，要破译这本“生命之书”则较为困难。
  当今，研究人员通常依赖新一代测序仪，将独特的DNA碱基序列（只有四个）翻译成字母：A，G，C和T。而DNA链长达数十亿个碱基，这些机器可产生非常短的读数，一次大约50至300个字符。为了从这些字母中提取信息，科学家们需要重建基因组的位置—这个过程类似于重建一本书中文本片段的句子和段落。
  但是，这个过程可能很快就变得复杂和耗时，特别是因为一些基因组是巨大的。例如，人类基因组含有约30亿个碱基，小麦基因组包含近170亿个碱基，松树基因组包含约230亿个碱基。有时，测序仪也会在数据集中引入误差，需要过滤掉。大多数时候，基因组需要从头组装。想象一下，这就像将一百亿块拼图拼在一起，而且没有一个完整的图片可供参考。
  美国劳伦斯伯克利国家实验室计算研究部（CRD）、联合基因组研究所（JGI）和加州大学伯克利分校（UC Berkeley）的一个研究小组，通过把一些新算法、计算技术与创新的编程语言Unified Parallel C (UPC)，应用于尖端的从头基因组组装工具Meraculous，简化和加快了基因组组装流程，将这个漫长的过程缩短至仅仅几分钟。他们主要是通过“并行化”代码，利用超级计算机的处理能力，如国家能源研究科学计算中心（NERSC的）爱迪生系统，实现了这一目标。简而言之，并行化代码意味着，分裂工作逐一执行，修改或重写代码，以在一台超级计算机上同时运行许多个节点（处理器集群）。
  这项研究的第一作者、UC Berkeley研究生Evangelos Georganas带领了并行化Meraculous的工作，他指出：“使用Meraculous的并行版本，我们现在可以使用15,360个计算机处理器核心，在八分钟内组装整个人类基因组。有了这个工具，我们估计，全世界生物医学测序机构的输出，都可以仅仅使用NERSC爱迪生超级计算机的一部分，而得以组装。”
  CRD的Leonid Oliker计算机科学家说：“这项工作极大的提高了基因组组装的速度。新的并行算法，可使装配计算能够进行快速。现在，基因组学研究人员，可以在几分钟的时间内组装小麦和松树的大基因组，而不是通过使用NERSC's Edison上的几百个节点——花费几个月的时间。”
  超级计算机：基因组装配的一次变革
  高通量和成本相对较低的新一代DNA测序，可让研究人员寻找所有一切的生物学解决方案，从产生清洁能源和环境清理，到识别基因突变和癌症之间的联系。在大多数情况下，这些机器可非常准确的记录DNA碱基的序列。但有时会发生置换、重复、替换和遗漏之类的错误—类似于一本书中的“错别字”。这些错误使基因组组装和基因突变的确定，变得更加困难，从而使得分析更加复杂。它们也可能使研究人员误解一个基因的功能。
  研究人员经常使用一种方法被称为“枪法测序”的技术，来识别这些错误。这涉及到，捕获一个基因片段的大量拷贝，将它随机分成无数个小片段，然后分别对每一个片段进行测序。这就产生了一些重叠的短片段，让科学家们最终能够将整个DNA链重新装配起来。对同一个基因链进行测序，也有助于识别错误。但对于一个特别复杂的基因组来说，这个过程也会产生大量的数据，有时有几兆兆字节。
  为了快速而有效地识别数据中的错误，伯克利实验室和UC Berkeley团队依靠“Bloom filters”和大规模并行超级计算机。在1970年Bloom filters由Burton H. Bloom提出的二进制向量数据结构，可非常有效地确定，一个元素是不是集合中的一个成员。因此，研究人员可以依靠这个工具来确定一个碱基是否在适当的位置上。因为位数组包含了一个Bloom filter的基本结构，它们也需要相对较少的内存，从而使它们成为查询大规模数据集的理想选择。
  CRD研究科学家Aydin Bulu?说：“将Bloom filters应用于基因组组装问题并不新颖，在以前就完成过。我们这项工作的不同之处在于，让Bloom filters和分布式存储系统共同工作。这项任务非同小可，它需要一些计算机专业知识才能完成。”
  该团队还开发了并行数据输入输出（I/O）的解决方案。开发这一解决方案的CRD研究科学家Steven Hofmeyr说：“当你有几兆兆字节的数据时，只是让计算机读取你的数据并输出结果，可能是一个巨大的瓶颈。通过让计算机在多个线程中下载数据，我们能够将I/O进程从几小时加快到几分钟。”
  组装
  一旦错误已被剔除，研究人员就可以开始基因组组装。这个过程依赖计算机程序在重叠区域加入k-mers——由固定数量（K）的碱基组成的短DNA序列，从而它们形成一个连续的序列，或重叠群（contig）。如果基因组之前已经被测序，科学家可以使用记录的基因注释作为参考，来排列读数。如果不是，他们需要进行从头组装，创造一个全新的contigs目录。
  从头组装十分的内存密集型，直到最近，还没有人能成功地弄清如何在分布式内存中并行化这个过程。所以，许多研究人员使用专门的大容量存储器节点，有几兆兆字节的大小，来进行这项工作。但是，即使市售的最大的存储节点，也不足以组装像小麦或松树这样的大规模基因组。尽管以前研究人员试图用超级计算机克服这种内存限制，但低效的代码意味着，仍然需要几个小时、几天甚至几个月来组装一个单一的基因组。
  为了有效利用大规模并行系统，Georganas创造了一种新的从头组装算法，利用UPC (Unified Parallel C)编程语言的单边通信和分区全局定址空间（PGAS）能力。基本上，PGAS可让研究人员处理每个超级节点上独立的内存，这会减少超级计算机交换节点之间信息的时间和精力。
  Georganas说：“Meraculous新的并行版本，呈现出前所未有的性能，可在NERSC's Edison超级计算机上按比例放大人类和小麦基因组的15,360个处理器核心。这一性能的改善，将基因组组装从几天时间提速到了几秒钟。”
  就像玩拼图一样，“缺失的拼图”可能使基因组组装更复杂。这就像有足够的拼图拼凑在一起，以使你能对整幅图有一个概念，所有的拼图都应该在适当的位置，但是在拼图中仍有空隙。在基因组组装中，Meraculous可扫描整个画面找出这些空隙，然后用一种既定的技术来填补它们。从计算角度来说，这个过程是在两个阶段完成的。在Hofmeyr的帮助下，这两个阶段都被转换为UPC和并行化。
  Hofmeyr说：“将这部分转换成UPC的结果是，比最初Meraculous代码加快了20到30倍，这是用Perl编写的。”
  处理宏基因组
  开发Meraculous的Jarrod Chapman说：“强大的基因组组装，其价值是十分明确的。这是表征一个生物体基因的出发点，可用于进行跨物种的比较分析和遗传变异评估。这也给我们一个参考，来判断新序列方法的准确性。”
  “在这个Meraculous版本之前，往往需要较长的时间来计算分析序列数据。因为计算太耗时，我会基于一些有根据的推测选择一套参数，设置我的工作。”
  现在，计算不再是一个瓶颈，Chapman可以尝试一些不同的参数，并运行多个分析，产生非常准确的结果。他还认为，这一成就意味着，Meraculous也可以用来分析宏基因组——直接从环境样品中恢复的微生物群落。这项工作是很重要的，因为许多微生物只存在于自然中，不能在实验室中生长。这些生物可能是寻找新药物或可用能源来源的关键。
  Chapman说：“分析宏基因组是一个巨大的任务。如果组装一个基因组——如小麦，就像是拼凑一个新的拼图，那么组装宏基因组数据就像是重建国会图书馆。使用Meraculous有效地进行这些分析，将是一次变革。”（转化医学网360zhyx.com）