對付大數據的小伎倆

大數據是當前的熱門話題。各行各業(yè)，到處都有人談論大數據。就人的基因來說，大數據這部“天書”總共30億個字。在檢驗過程中，為了不看走眼大數據，保證結論準確可靠，慣例是每一個字檢驗30次以上。因為30億的數據量實在太大，需要通過相當程度的重復來排除錯誤。為了把一個人的基因通讀一遍，得念1000億個字，真真的就是大數據。

    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。挖掘大數據所蘊含的寶藏是一個難題。生物信息學是當今的熱門專業(yè)，非常搶手。我們只看第一步，生物學家要動用什麼樣的心思和手段，才能把這套數據拿到手。
    基因技術上的改進共有3次，但是遠遠沒有到達終點。
    最初的技術，一次只能讀100個字。100對1000億，那是愚公移山。於是人們著手改進技術，增加長度。成就也不能說沒有，終於可以從100個讀到1000個了，手工操作也改成機器自動化了。十年過去，提高了十倍。然而，1000是該技術的極限，再也難以延長。
    這時，有人想到了把基因分成小組。大數據不好對付，分班分組可以減輕負擔。首先把基因切斷成大片段，再想辦法將這些大片段復制幾萬份，滿足后續(xù)操作需要；然后分頭檢測各個片段。拿到數據后，先把大片段組裝出來，作為骨架；再用骨架搭出整個基因組。
    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，但是長片段的復制是一個問題，操作繁瑣，速度簡直就是烏龜爬。
    面對這種窘境，文特爾想起了獵鳥。身處曠野，鳥兒的個頭實在是太小了。它們飛在空中，即使看見了，打下來也不容易。霰彈槍是對付飛鳥的有效武器。一打一片，碰到鳥兒的機會比較多。基因散布在數據的汪洋大海中，要抓住同樣不容易。也許霰彈槍也是對付基因的一個辦法？文特爾的想法是跳過困難的長片段復制，把基因打成更短的片段，直接測序。短片段的復制比較容易，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把基因，完全不被看好。鳥槍法遭致一片反對。由於申請不到經費，文特爾干脆自己動手，成立了一家公司，與官方研究機構展開競賽。他們很快就測定了果蠅和人類的基因，速度之快，可比兔子。號稱可以與阿波羅登月計劃相媲美的人類基因組計劃，在鳥槍法加入競爭之后，迅速完成了。當美國總統宣布該計劃完工的時候，當初申請不到經費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。人基因組計劃歷時10年，光文特爾的私人公司就花了10億美金，只測出一個人的基因。還有誰能付得起這樣的代價呢？於是，提高規(guī)模就成了緊迫的任務。如果一次檢驗能拿到幾百萬條序列，讀基因不就像讀小說了嗎？這一看似不可能的夢想，人們還真的通過平行測序做到了。但是任何事情都有兩面。為了實現超大規(guī)模，就不得不犧牲長度，由1000倒退回100。新技術剛起步的時候還要短，只有區(qū)區(qū)35個字，簡直令人齒冷。盡管長度短，數據總量卻不少，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，都不如基因技術第二代。這一跨越留給人們的印象實在太深了，流風余韻，以至今天，盡管二代技術的長度能輕松達到兩三百，還是經常有人問：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雜問題、對付大數據的不二法門。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。新技術雖然大獲成功，但是讀長實在短了點，對不住人，數據組裝相當吃力。那是用筷子拼出京廣線的活兒，計算機都是一屋子、一屋子地擺著，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，分別做好標記，各自處理成二代測序所要求的長短，再混合起來一起測序。在數據組裝的時候，先按記號分別組裝，形成骨架，再用骨架進行第二輪組裝。本來一步完成的任務，現在分成兩步，計算機的負擔大大降低。想出這個金點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1.6億美元。
    看完近30年來基因技術的發(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，對付大數據，要用小片段。