大數(shù)據(jù)與生命科學(xué)

2014年6月13日，《科學(xué)》雜志刊載了一篇由美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）科技出版顧問Mike May撰寫的一篇題為“Big Biological Impacts from Big Data”的文章。鑒于大數(shù)據(jù)作為目前的一個(gè)熱點(diǎn)概念，本文對(duì)該文進(jìn)行了編譯。本文首先梳理了大數(shù)據(jù)所包含的三層含義，然后就這三層含義進(jìn)行了分析和解讀?；诨蚪M數(shù)據(jù)量越來越多的情況下，很多機(jī)構(gòu)都意識(shí)到利用大數(shù)據(jù)的前景。
    本文列舉了一些機(jī)構(gòu)已開發(fā)或正在研發(fā)的、用以分析大數(shù)據(jù)的方法或工具。例如，美國(guó)BioDatomics公司開發(fā)了比傳統(tǒng)軟件分析速度快100倍的BioDT軟件；加拿大多倫多的ACD/Labs公司開發(fā)的計(jì)算系統(tǒng)在處理大數(shù)據(jù)時(shí)能夠整合各種數(shù)據(jù)格式；加利福尼亞州的IBM Almaden研究中心開發(fā)的文本挖掘工具；湯森路透NuMedii公司基于大數(shù)據(jù)的藥物再利用。大數(shù)據(jù)除了以上三個(gè)含義，本文還提及大數(shù)據(jù)還應(yīng)包含“復(fù)雜性”,并列舉了馬薩諸塞州的GNS Healthcare公司基于數(shù)據(jù)的復(fù)雜性而開發(fā)的REFS分析平臺(tái)。最終，本文認(rèn)為所有致力于研發(fā)大數(shù)據(jù)的努力都應(yīng)該落在使大數(shù)據(jù)能夠促進(jìn)未來生物學(xué)和醫(yī)學(xué)發(fā)展的方向上來。
   大數(shù)據(jù)與生命科學(xué)
   大數(shù)據(jù)是目前最熱的概念之一，也是容易被曲解的概念。顧名思義，大數(shù)據(jù)意味著大量的數(shù)據(jù)，然而這只是從字面理解的含義。概括來看，大數(shù)據(jù)包括三層含義（3V）：數(shù)據(jù)量大（volume of data），處理數(shù)據(jù)的速度快（velocity of processing the data），數(shù)據(jù)源多變（variability of data sources）。這是那些依賴大數(shù)據(jù)工具進(jìn)行分析的信息的重要特征。
    美國(guó)喬治華盛頓大學(xué)的計(jì)算生物學(xué)研究所主任Keith Crandall表示，盡管生物學(xué)家花費(fèi)大量精力收集數(shù)據(jù)，實(shí)際上，現(xiàn)在生物學(xué)面臨的瓶頸在于大數(shù)據(jù)。例如，2002年8月，對(duì)第一個(gè)人完整基因組測(cè)序工作，集中了20個(gè)研究所的專家，利用這些研究所所配置的基礎(chǔ)設(shè)施，經(jīng)歷13年，投入30億美元獲得了約30億核苷酸序列。而目前，為某個(gè)人測(cè)序僅需要1000美元，每周產(chǎn)生320多個(gè)基因組。隨著研究人員不斷開發(fā)方法，處理大數(shù)據(jù)的量、速度和可變性方面的問題，研究人員開始研發(fā)分析信息的新方法。
   生命科學(xué)的數(shù)據(jù)來源和形式多樣，包括基因測(cè)序、分子通道、不同的人群等。如果研究人員能解決這一問題，這些數(shù)據(jù)將轉(zhuǎn)變成潛在的財(cái)富，即問題在于如何處理這些復(fù)雜的信息。當(dāng)下，相關(guān)領(lǐng)域期待那些能分析大數(shù)據(jù)，并將這些數(shù)據(jù)轉(zhuǎn)換成更好理解基礎(chǔ)生命科學(xué)機(jī)制和將分析成果應(yīng)用到人口健康上去的工具和技術(shù)的面市。
   （1）“量”的持續(xù)增加
    數(shù)十年前，制藥公司就開始存儲(chǔ)數(shù)據(jù)。位于美國(guó)波士頓默克公司研究實(shí)驗(yàn)室（Merck Research Labs）的副董事Keith Crandall表示，默克公司在組織成千上萬病患參加的臨床試驗(yàn)方面已經(jīng)進(jìn)展了好些年，并具有從數(shù)百萬病患的相關(guān)記錄中查出所需信息的能力。目前，該公司已經(jīng)擁有新一代測(cè)序技術(shù)，每個(gè)樣本就能產(chǎn)生兆兆位的數(shù)據(jù)。面對(duì)如此大數(shù)量級(jí)的數(shù)據(jù)，即使是大型制藥公司也需要幫助。例如，來自瑞士羅氏公司的Bryn Roberts表示，羅氏公司一個(gè)世紀(jì)的研發(fā)數(shù)據(jù)量相比2011~2012年在測(cè)定成千上百個(gè)癌細(xì)胞株的單個(gè)大規(guī)模試驗(yàn)過程中產(chǎn)生的數(shù)據(jù)，前者只是后者兩倍多一些而已。Roberts領(lǐng)銜的研究團(tuán)隊(duì)期望能從這些存儲(chǔ)的數(shù)據(jù)中挖掘到更有價(jià)值的信息。因而，該團(tuán)隊(duì)與來自加利福尼亞州的PointCross公司進(jìn)行合作，以構(gòu)建一個(gè)可以靈活查找羅氏公司25年間相關(guān)數(shù)據(jù)的平臺(tái)。這些數(shù)據(jù)，包括那些成千上萬個(gè)復(fù)合物的信息，將利用當(dāng)下以獲得的知識(shí)來挖掘進(jìn)而開發(fā)新藥物。
    為了處理大量的數(shù)據(jù)，一個(gè)生物學(xué)研究人員并不需要像公司一樣需要一個(gè)專門的設(shè)備來處理產(chǎn)生的數(shù)據(jù)。例如，Life Technologies公司（目前是Thermo Fisher Scientific公司的一部分）的Ion個(gè)人化操作基因組測(cè)序儀（Ion Personal Genome Machine）。這一新設(shè)備能夠在8個(gè)小時(shí)以內(nèi)測(cè)序多達(dá)2 gigabases.因而可在研究人員的實(shí)驗(yàn)室操作。Life Technologies公司還有更大型的儀器，4小時(shí)以內(nèi)測(cè)序可高達(dá)10 gigabases.
    然而，對(duì)學(xué)術(shù)領(lǐng)域和產(chǎn)業(yè)領(lǐng)域的生命科學(xué)研究人員，新一代測(cè)序既提供了好處也帶來了問題。正如Crandall所抱怨的那樣，他們并不能有效研究如此多的基因組，除非開發(fā)的計(jì)算機(jī)系統(tǒng)能夠滿足分析大量數(shù)據(jù)的需求?；谶@種現(xiàn)狀，其領(lǐng)銜的團(tuán)隊(duì)與波士頓大學(xué)的醫(yī)學(xué)助理教授W. Evan Johnson進(jìn)行了合作，以開發(fā)分析新一代測(cè)序（next generation sequencing,NGS）平臺(tái)產(chǎn)生的數(shù)據(jù)，進(jìn)而能夠?qū)NA的gigabases信息轉(zhuǎn)化為計(jì)算機(jī)的千兆字節(jié)。該軟件將DNA樣本與參考基因組比較，以便確定病原體。Crandall表示，其每個(gè)樣本存儲(chǔ)的數(shù)據(jù)達(dá)20千兆字節(jié)，而這樣的樣本就有成千上萬個(gè)，這樣每個(gè)樣本分析所產(chǎn)生的數(shù)據(jù)就相當(dāng)多。
    實(shí)際上，如此大數(shù)量的數(shù)據(jù)其實(shí)對(duì)于衛(wèi)生保健來說其實(shí)十分有用，因?yàn)檠芯咳藛T必須在設(shè)計(jì)其試驗(yàn)時(shí)充分考慮人群的多樣性。來自劍橋大學(xué)的轉(zhuǎn)化醫(yī)學(xué)教授Chas Bountra表示，畢竟從50萬人獲得的結(jié)論比從10個(gè)人獲得的結(jié)論要可靠有說服力得多。
    也有研究人員期望看到在衛(wèi)生保健方面基因組數(shù)據(jù)能產(chǎn)生越來越多的影響。例如，遺傳信息可揭示生物標(biāo)志物，或某些疾病的指示物（某些分子只出現(xiàn)在某些類型的癌癥中）。英國(guó)牛津大學(xué)維康信托基金會(huì)人類遺傳學(xué)中心（Wellcome Trust Centre for Human Genetics）的基因組統(tǒng)計(jì)學(xué)教授Gil McVean教授表示，基因組學(xué)為人來了解疾病提供了強(qiáng)有力的依據(jù)?；蚪M學(xué)可以為人類找到與某類疾病相關(guān)的生物標(biāo)志物，并基于這一標(biāo)志物進(jìn)行靶向治療。例如，正因?yàn)槟硞€(gè)分子驅(qū)動(dòng)某種癌癥的進(jìn)展，那么可以靶向這一分子進(jìn)而治療癌癥。為了應(yīng)用這一理念，McVean領(lǐng)銜的研究團(tuán)隊(duì)通過李嘉誠(chéng)（Li Ka Shing）捐獻(xiàn)的3 300萬美元正在劍橋大學(xué)創(chuàng)建Li Ka Shing健康信息和探索中心（Li Ka Shing Centre for Health Information and Discovery）。該中心將成立一個(gè)大數(shù)據(jù)研究機(jī)構(gòu)。McVean總結(jié)道，該中心將將分析數(shù)據(jù)過程和基因組研究結(jié)合在一起，這樣他們將能夠克服在收集大數(shù)據(jù)和分析大數(shù)據(jù)方面的一些難題。
（2）分析的高速性
    第二個(gè)V,也就是velocity,意指處理數(shù)據(jù)和分析數(shù)據(jù)的速度要高要快。研究人員需要高速處理以便分析大量增加的數(shù)據(jù)。
    過去，分析基因相關(guān)數(shù)據(jù)存在瓶頸。馬里蘭州的BioDatomics董事Alan Taffel認(rèn)為，傳統(tǒng)的分析平臺(tái)實(shí)際上約束了研究人員的產(chǎn)出（產(chǎn)能），因?yàn)檫@些平臺(tái)使用起來困難且需要依賴生物信息學(xué)人員，因而相關(guān)工作執(zhí)行效率低下，往往需要幾天甚至幾周來分析一個(gè)大型DNA.
    鑒于此，BioDatomics公司開發(fā)了BioDT軟件，其為分析基因組數(shù)據(jù)提供400多種工具。將這些工具整合成一個(gè)軟件包，使得研究人員很容易使用，且適用任何臺(tái)式電腦，且該軟件還可以通過云存期。該軟件相比傳統(tǒng)系統(tǒng)處理信息流的速度快100倍以上，以前需要一天或一周的，現(xiàn)在只需要幾分鐘或幾個(gè)小時(shí)。
    有專家認(rèn)為需要測(cè)序新工具。新澤西州羅格斯大學(xué)電子計(jì)算工程系的副教授Jaroslaw Zola表示，根據(jù)數(shù)據(jù)存儲(chǔ)方式、數(shù)據(jù)轉(zhuǎn)換方式和數(shù)據(jù)分析方式，新一代測(cè)序技術(shù)需要新計(jì)算策略來處理來自各種渠道的數(shù)據(jù)。這意味著需要生物研究人員必須學(xué)習(xí)使用前沿計(jì)算機(jī)技術(shù)。然而，Zola認(rèn)為應(yīng)該對(duì)信息技術(shù)人員施加壓力，促使他們開發(fā)出讓領(lǐng)域?qū)＜液苋菀渍莆盏姆椒?，在保證效率的前提下，隱藏掉算法、軟件和硬件體系結(jié)構(gòu)的復(fù)雜性。目前，Zola領(lǐng)銜的團(tuán)隊(duì)正致力于此，研發(fā)新型算法。
   （3）多變性
    其一，生物學(xué)實(shí)驗(yàn)室往往有多種設(shè)備，這些設(shè)備產(chǎn)生的數(shù)據(jù)是以某種文檔形式存在。所以，加拿大多倫多的ACD/Labs公司開發(fā)的計(jì)算系統(tǒng)在處理大數(shù)據(jù)時(shí)能夠整合各種數(shù)據(jù)格式。ACD/Labs的全球戰(zhàn)略主管（director of global strategy）表示，該系統(tǒng)能夠支持各種設(shè)備產(chǎn)生的150多種文檔格式，這就有利于把多種數(shù)據(jù)匯集到同一個(gè)環(huán)境中，例如匯聚到其開發(fā)的Spectrus數(shù)據(jù)庫中。該數(shù)據(jù)庫可以通過客戶端或網(wǎng)頁訪問。
    生物學(xué)大數(shù)據(jù)還體現(xiàn)新型可變性， .例如，德國(guó)Definiens的研究人員分析的組織表型組學(xué)（tissue phenomics），也就是一個(gè)組織或器官樣本構(gòu)造相關(guān)的信息，包括細(xì)胞大小、形狀，吸收的染色劑，細(xì)胞相互聯(lián)系的物質(zhì)等。這些數(shù)據(jù)可以在多個(gè)研究中應(yīng)用，例如追蹤細(xì)胞在發(fā)育過程中的特征變化的研究，測(cè)定環(huán)境因素對(duì)機(jī)體的影響，或測(cè)量藥物對(duì)某些器官/組織的細(xì)胞的影響等。
    結(jié)構(gòu)化數(shù)據(jù)，例如數(shù)據(jù)表格，并不能揭示所有信息，比方藥物處理過程或生物學(xué)過程。實(shí)際上，生活著的有機(jī)體是以一種非結(jié)構(gòu)化的形式存在，有成千上萬種方式去描述生物過程。默克的Johnson認(rèn)為有點(diǎn)像期刊文本文檔，很難從文獻(xiàn)中挖掘數(shù)據(jù)。
    加利福尼亞州的IBM Almaden研究中心（IBM's Almaden Research Center）的分析專家和研究人員Ying Chen領(lǐng)銜的團(tuán)隊(duì)數(shù)年來都致力于開發(fā)文本挖掘工具，目前他們正在使用的是“加速藥物發(fā)現(xiàn)的解決方案”（accelerated drug
    discovery solution）。這一平臺(tái)集合了專利、科學(xué)文獻(xiàn)、基礎(chǔ)化學(xué)和生物學(xué)知識(shí)（如化學(xué)物質(zhì)和分子之間相互作用的機(jī)制等），有1 600多萬中化合物結(jié)構(gòu)，近乎7 000種疾病的相關(guān)信息。利用這一系統(tǒng)，研究人員從中能夠?qū)ふ铱赡軐?duì)治療某種疾病有用的化合物。
    其他一些公司致力于挖掘現(xiàn)有資源，以發(fā)現(xiàn)疾病的生物學(xué)機(jī)制，基于此來研究治療疾病的方法。湯森路透位于硅谷的NuMedii公司，致力于尋找現(xiàn)有藥物的新用途，又稱之為藥物再利用（drug repurposing）。NuMedii的首席科學(xué)家Craig Webb表示，使用基因組數(shù)據(jù)庫，整合各種知識(shí)來源和生物信息學(xué)方法，快速發(fā)現(xiàn)藥物的新用途。之后，該公司根據(jù)該藥物的原有用途中的安全性來設(shè)計(jì)臨床試驗(yàn)，這樣研發(fā)藥物的速度快而且成本低。Webb描述了該公司的一個(gè)項(xiàng)目：研究人員從2 500多種卵巢癌樣本中搜集基因表達(dá)數(shù)據(jù)，再結(jié)合數(shù)種計(jì)算機(jī)算法來預(yù)測(cè)現(xiàn)有藥物是否具有治療卵巢癌或治療某種分子亞型卵巢癌的潛力。
   （4）復(fù)雜性
    諾華公司的生物醫(yī)學(xué)研究所（Novartis Institutes for BioMedical Research,NIBR）的信息系統(tǒng)的執(zhí)行主任Stephen Cleaver在三V的基礎(chǔ)上還加了個(gè)復(fù)雜性（complexity）。他認(rèn)為制藥公司的科研人員通過某些病患個(gè)體，到某些病患群再到整合所掌握的各種數(shù)據(jù)分析數(shù)據(jù)，這一過程很復(fù)雜。在衛(wèi)生保健領(lǐng)域，大數(shù)據(jù)分析的復(fù)雜性進(jìn)一步增加，因?yàn)橐?lián)合各種類型的信息，例如基因組數(shù)據(jù)、蛋白組數(shù)據(jù)、細(xì)胞信號(hào)傳導(dǎo)、臨床研究，甚至需要結(jié)合環(huán)境科學(xué)的研究數(shù)據(jù)。