互联网有谷歌，如今生物学领域有了MetaGraph。这款搜索引擎能快速筛选存储于公共数据库的海量生物数据。相关研究成果10月8日发表于《自然》。

MetaGraph会为海量DNA、RNA和蛋白质序列档案建立索引。图片来源：Andrew Brookes/Connect Images/Science Photo Library

  ?

“这是一项了不起的成就。”法国巴斯德研究所的Rayan Chikhi表示，“他们为分析原始生物数据设定了新标准。”

这些数据包括DNA、RNA和蛋白质序列，其来源数据库可包含万亿级的DNA碱基，数据量以拍字节计（1拍字节=1000万亿字节），条目数量甚至超过谷歌庞大索引中的所有网页。

尽管MetaGraph被贴上“DNA领域的谷歌”标签，但Chikhi更倾向于将其比作“YouTube专用搜索引擎”，因为它背后的计算任务难度更高。

就像在YouTube上搜索时，能够检索到所有以“红色气球”为特征的视频，即便标题、标签或描述中未出现这一关键词。MetaGraph同样无需提前对基因模式进行明确标注，就能找到隐藏在庞大测序数据集深处的基因模式。Chikhi说：“它实现了其他任何方法都无法完成的事情。”

开发MetaGraph的初衷是为了解决测序数据集的可及性问题。过去几十年间，生物数据库的规模呈爆炸式增长，但这种增长也给使用这些数据的科学家带来了挑战——原始测序读数呈现碎片化、噪声多的特点，且数量庞大，无法直接进行检索。

加拿大多伦多大学的Artem Babaian指出：“矛盾的是，数据量反而成了我们实际使用这些数据的最大障碍。”

论文共同通讯作者、瑞士苏黎世联邦理工学院的André Kahles表示，MetaGraph能够帮助研究人员对序列读取档案库（SRA）这类数据库展开生物学相关问题的探索。SRA作为公共数据库，包含的DNA碱基已超过1亿亿个。

研究团队借助数学“图谱”解决了数据检索难题。这种图谱能将重叠的DNA片段连接起来，就像图书索引里那些包含相同词汇的句子会被归在一起一样。

研究人员整合了7个公共资助数据库的数据，构建出涵盖病毒、细菌、真菌、植物、动物，也包括人类的所有生物类群的序列集，其中包含1880万个独特的DNA和RNA序列集，以及2100亿个氨基酸序列集。同时，他们还为这些序列开发了一款搜索引擎，用户只需通过文本提示，就能检索这些整合后的原始数据档案。

“这是一种与这类数据交互的全新方式。”Kahles说，“数据虽然经过压缩处理，但可实现即时访问。”

为证明MetaGraph的实用价值，研究团队利用该工具，对全球241384个人类肠道微生物组样本进行了检索，旨在寻找抗生素耐药性的基因标志物。这项研究是在前期工作基础上开展的。此前研究人员曾利用旧版MetaGraph，追踪过全球主要城市地铁系统中细菌菌株的耐药基因。据团队介绍，在高性能计算机上完成这项分析仅需约1小时。

MetaGraph并非目前唯一一款大规模序列检索工具。例如，Chikhi和Babaian共同开发了一个名为Logan的平台，该平台能将数十亿条短测序读数拼接成更长、更规整的DNA片段。这种设计架构使其能在比MetaGraph更大规模的测序读数集合中，识别出完整基因及其变异类型。不过这一优势也伴随着一定的取舍。Chikhi表示：“我们的工具功能较少，但性能更强。”

凭借更广的检索范围，Logan帮助研究人员发现了超2亿个天然存在的“噬塑酶”变体，这些变体来源于多种细菌、真菌和昆虫，其中部分变体的活性甚至优于实验室设计的酶。9月，Chikhi和Babaian将这一发现公布于预印本bioRxiv。

此外，研究人员还曾利用一款更早、功能更专一的病毒DNA数据库检索工具，发现了大量此前未被记录的病毒，以及用于治疗癌症的工程化T细胞疗法中的病毒污染物。

Babaian认为，这类发现的实现离不开开源检索工具及其依托的公共测序数据库。目前，一些生物数据库正面临资金削减的威胁，他强调，这些检索技术的创新恰恰凸显了“开放数据共享至关重要”。

“这些资源正推动全球科学进步。”Babaian说，“它们正在开启一个全新的‘拍字节级基因组学’领域，而其中最具影响力的应用尚未出现。”

相关论文信息：https://doi.org/10.1038/s41586-025-09603-w

https://doi.org/10.1101/2024.07.30.605881