對(duì)付大數(shù)據(jù)的小伎倆

大數(shù)據(jù)是當(dāng)前的熱門話題。各行各業(yè)，到處都有人談?wù)摯髷?shù)據(jù)。就人的基因來說，大數(shù)據(jù)這部“天書”總共30億個(gè)字。在檢驗(yàn)過程中，為了不看走眼大數(shù)據(jù)，保證結(jié)論準(zhǔn)確可靠，慣例是每一個(gè)字檢驗(yàn)30次以上。因?yàn)?0億的數(shù)據(jù)量實(shí)在太大，需要通過相當(dāng)程度的重復(fù)來排除錯(cuò)誤。為了把一個(gè)人的基因通讀一遍，得念1000億個(gè)字，真真的就是大數(shù)據(jù)。

    先不說如何分析、解讀這部書，如何理解全書或者它的某些章節(jié)、段落的含意。挖掘大數(shù)據(jù)所蘊(yùn)含的寶藏是一個(gè)難題。生物信息學(xué)是當(dāng)今的熱門專業(yè)，非常搶手。我們只看第一步，生物學(xué)家要?jiǎng)佑檬颤N樣的心思和手段，才能把這套數(shù)據(jù)拿到手。
    基因技術(shù)上的改進(jìn)共有3次，但是遠(yuǎn)遠(yuǎn)沒有到達(dá)終點(diǎn)。
    最初的技術(shù)，一次只能讀100個(gè)字。100對(duì)1000億，那是愚公移山。於是人們著手改進(jìn)技術(shù)，增加長度。成就也不能說沒有，終於可以從100個(gè)讀到1000個(gè)了，手工操作也改成機(jī)器自動(dòng)化了。十年過去，提高了十倍。然而，1000是該技術(shù)的極限，再也難以延長。
    這時(shí)，有人想到了把基因分成小組。大數(shù)據(jù)不好對(duì)付，分班分組可以減輕負(fù)擔(dān)。首先把基因切斷成大片段，再想辦法將這些大片段復(fù)制幾萬份，滿足后續(xù)操作需要；然后分頭檢測(cè)各個(gè)片段。拿到數(shù)據(jù)后，先把大片段組裝出來，作為骨架；再用骨架搭出整個(gè)基因組。
    這里頭的每一步都是可以做到的，人們努力的方向自然而然就從增加讀長改成了增加基因片段的長度。增加長度很容易，但是長片段的復(fù)制是一個(gè)問題，操作繁瑣，速度簡(jiǎn)直就是烏龜爬。
    面對(duì)這種窘境，文特爾想起了獵鳥。身處曠野，鳥兒的個(gè)頭實(shí)在是太小了。它們飛在空中，即使看見了，打下來也不容易。霰彈槍是對(duì)付飛鳥的有效武器。一打一片，碰到鳥兒的機(jī)會(huì)比較多?；蛏⒉荚跀?shù)據(jù)的汪洋大海中，要抓住同樣不容易。也許霰彈槍也是對(duì)付基因的一個(gè)辦法？文特爾的想法是跳過困難的長片段復(fù)制，把基因打成更短的片段，直接測(cè)序。短片段的復(fù)制比較容易，好比霰彈；短片段拼基因組，好比拼圖游戲。
    突然有人提出這樣的胡思亂想，冀求朝天胡亂放一槍就碰到個(gè)把基因，完全不被看好。鳥槍法遭致一片反對(duì)。由於申請(qǐng)不到經(jīng)費(fèi)，文特爾干脆自己動(dòng)手，成立了一家公司，與官方研究機(jī)構(gòu)展開競(jìng)賽。他們很快就測(cè)定了果蠅和人類的基因，速度之快，可比兔子。號(hào)稱可以與阿波羅登月計(jì)劃相媲美的人類基因組計(jì)劃，在鳥槍法加入競(jìng)爭(zhēng)之后，迅速完成了。當(dāng)美國總統(tǒng)宣布該計(jì)劃完工的時(shí)候，當(dāng)初申請(qǐng)不到經(jīng)費(fèi)的人也站在克林頓旁邊。
    從此，所有人都倒向鳥槍法。
    每次只拿一條序列，速度還是成問題。人基因組計(jì)劃歷時(shí)10年，光文特爾的私人公司就花了10億美金，只測(cè)出一個(gè)人的基因。還有誰能付得起這樣的代價(jià)呢？於是，提高規(guī)模就成了緊迫的任務(wù)。如果一次檢驗(yàn)?zāi)苣玫綆装偃f條序列，讀基因不就像讀小說了嗎？這一看似不可能的夢(mèng)想，人們還真的通過平行測(cè)序做到了。但是任何事情都有兩面。為了實(shí)現(xiàn)超大規(guī)模，就不得不犧牲長度，由1000倒退回100。新技術(shù)剛起步的時(shí)候還要短，只有區(qū)區(qū)35個(gè)字，簡(jiǎn)直令人齒冷。盡管長度短，數(shù)據(jù)總量卻不少，是原來的6百萬倍?？块L度35的片段居然能拼出基因組，不能不令人驚嘆?；蚣夹g(shù)終於跨出了一大步，被尊為第二代。
    官二代、富二代，都不如基因技術(shù)第二代。這一跨越留給人們的印象實(shí)在太深了，流風(fēng)余韻，以至今天，盡管二代技術(shù)的長度能輕松達(dá)到兩三百，還是經(jīng)常有人問：你們還做35嗎？
    片段化看似笨拙、凌亂，沒有效率，卻是快刀斬亂麻地解決復(fù)雜問題、對(duì)付大數(shù)據(jù)的不二法門。我們做美味的獅子頭，要把五花肉亂刀剁碎。被剁碎的基因組，味道也很鮮美。
    創(chuàng)新沒有止境。新技術(shù)雖然大獲成功，但是讀長實(shí)在短了點(diǎn)，對(duì)不住人，數(shù)據(jù)組裝相當(dāng)吃力。那是用筷子拼出京廣線的活兒，計(jì)算機(jī)都是一屋子、一屋子地?cái)[著，蔚為壯觀，也令人望洋興嘆。如何提高效率呢？人們又想起了基因分組的老黃歷。把基因切成大片段后，分別做好標(biāo)記，各自處理成二代測(cè)序所要求的長短，再混合起來一起測(cè)序。在數(shù)據(jù)組裝的時(shí)候，先按記號(hào)分別組裝，形成骨架，再用骨架進(jìn)行第二輪組裝。本來一步完成的任務(wù)，現(xiàn)在分成兩步，計(jì)算機(jī)的負(fù)擔(dān)大大降低。想出這個(gè)金點(diǎn)子的人也成立了一家公司，總共只有6名員工。小公司被大公司收購，花費(fèi)1.6億美元。
    看完近30年來基因技術(shù)的發(fā)展歷程，你也許很不服氣：這算什麼，也不過大蟲拿人，只是一撲、一掀、一剪；對(duì)付基因組，只有延長、分組、拼圖三招，程咬金的三板斧，來回折騰。是的，治大國若烹小鮮，對(duì)付大數(shù)據(jù)，要用小片段。