你去將你的基因組測(cè)序了嗎？世界上已有數(shù)百萬(wàn)人去測(cè)過(guò)了，到2025年，這一數(shù)字可能會(huì)達(dá)到10億。

研究人員獲得的基因組數(shù)據(jù)越多，個(gè)人和公共健康的前景就越好。產(chǎn)前DNA測(cè)序已經(jīng)可以篩查出發(fā)育異常。過(guò)不了多久，患者將可以對(duì)他們的血液進(jìn)行測(cè)序，以發(fā)現(xiàn)任何可能標(biāo)志著某種傳染病的非人類(lèi)DNA。未來(lái)，與癌癥打交道的人將能夠通過(guò)每天對(duì)來(lái)自多個(gè)組織的細(xì)胞的DNA和RNA進(jìn)行測(cè)序來(lái)跟蹤疾病的變化情況。

整個(gè)人群的DNA測(cè)序?qū)⑹沟梦覀兛梢詫?duì)整個(gè)社會(huì)的健康狀況有更全面的了解。英國(guó)Biobank雄心勃勃，其目標(biāo)是對(duì)50萬(wàn)名志愿者的基因組進(jìn)行測(cè)序，并跟蹤研究數(shù)十年。目前，人群范圍的基因組研究通常被用來(lái)識(shí)別與特定疾病相關(guān)的突變。定期對(duì)空氣、土壤和水中的生物進(jìn)行測(cè)序?qū)⒂兄谧粉櫫餍胁　⑹澄锊≡w、毒素等等。

這樣的愿景的實(shí)現(xiàn)有賴(lài)于對(duì)超大量的數(shù)據(jù)的存儲(chǔ)和分析。通常情況下，DNA測(cè)序儀處理一個(gè)人的整個(gè)基因組就會(huì)產(chǎn)生數(shù)十至數(shù)百千兆字節(jié)的數(shù)據(jù)。數(shù)百萬(wàn)人的基因組數(shù)據(jù)累加起來(lái)，所需要的存儲(chǔ)空間將達(dá)到數(shù)十艾字節(jié)。

而這僅僅是個(gè)開(kāi)始。發(fā)現(xiàn)基因組數(shù)據(jù)有用的科學(xué)家、醫(yī)生和其他人不會(huì)僅對(duì)每個(gè)人進(jìn)行一次測(cè)序——對(duì)于同一個(gè)個(gè)體，他們會(huì)希望隨著時(shí)間的推移對(duì)多個(gè)組織中的多個(gè)細(xì)胞進(jìn)行重復(fù)測(cè)序。隨著測(cè)序速度的提高和成本的下降（現(xiàn)在個(gè)人基因組測(cè)序只需1000美元，而且價(jià)格正在快速下降），他們還希望對(duì)其他動(dòng)物、植物、微生物和整個(gè)生態(tài)系統(tǒng)的DNA進(jìn)行測(cè)序。而新應(yīng)用甚至新產(chǎn)業(yè)的出現(xiàn)將帶來(lái)更多測(cè)序。

雖然很難預(yù)測(cè)基因組數(shù)據(jù)的全部未來(lái)收益，但我們已經(jīng)看到了一個(gè)不可避免的挑戰(zhàn)：所需要的存儲(chǔ)空間幾乎是難以想象的大。目前，存儲(chǔ)基因組數(shù)據(jù)的費(fèi)用仍然只是實(shí)驗(yàn)室總體預(yù)算的一小部分。但是這種費(fèi)用正在急劇升高，幅度遠(yuǎn)遠(yuǎn)超過(guò)了存儲(chǔ)硬件價(jià)格的下降。在未來(lái)五年內(nèi)，存儲(chǔ)數(shù)十億人、動(dòng)物、植物和微生物的基因組的成本將輕松達(dá)到每年數(shù)十億美元。這些數(shù)據(jù)需要保存幾十年，甚至更長(zhǎng)時(shí)間。

將數(shù)據(jù)壓縮顯然有助于解決其存儲(chǔ)問(wèn)題。生物信息學(xué)專(zhuān)家已經(jīng)使用像gzip這樣的標(biāo)準(zhǔn)壓縮工具將文件大小縮小到了原來(lái)的1/20。一些研究人員還使用針對(duì)基因組數(shù)據(jù)的更專(zhuān)業(yè)的壓縮工具，但這些工具并沒(méi)有被廣泛采用。我們兩個(gè)人都在研究數(shù)據(jù)壓縮算法，我們認(rèn)為現(xiàn)在是時(shí)候提出一種效率更高、速度更快、更適合基因組數(shù)據(jù)獨(dú)特特性的新壓縮方案了。正如專(zhuān)用的視頻和音頻壓縮方案對(duì)于像YouTube和Netflix這樣的流媒體服務(wù)至關(guān)重要一樣，要從爆炸式增長(zhǎng)的基因組數(shù)據(jù)中盡可能多地獲益，專(zhuān)門(mén)針對(duì)基因組數(shù)據(jù)的高效壓縮方案將是十分必要的。

圖片來(lái)源：Stephens ZD,Lee SY,Faghri F,Campbell RH,Zhai C,Efron MJ,et al.2015,PLoS Biol 13(7).

人類(lèi)基因組測(cè)序的增長(zhǎng)：自2001年人類(lèi)基因組序列草圖首次發(fā)表以來(lái)，測(cè)序的人類(lèi)基因組數(shù)量和測(cè)序能力的增長(zhǎng)速度都有了顯著提高。2015年后的三條線代表三種可能的增長(zhǎng)曲線。

在我們解釋如何更好地壓縮基因組數(shù)據(jù)之前，讓我們仔細(xì)研究一下數(shù)據(jù)本身。“基因組”在這里指的是四種堿基核苷酸——腺嘌呤（adenine）、胞嘧啶（cytosine）、鳥(niǎo)嘌呤（guanine）和胸腺嘧啶（thymine）——的序列，它們分別由我們熟悉的DNA中的A、C、G、T四個(gè)字母表示。這些核苷酸出現(xiàn)在A-T和C-G堿基對(duì)組成的鏈中，人類(lèi)基因組中的23對(duì)染色體都是由這兩種堿基對(duì)構(gòu)成的。大多數(shù)人類(lèi)細(xì)胞中，這些染色體包含約60億個(gè)核苷酸，包括編碼基因、非編碼元件（如染色體末端的端粒）、調(diào)節(jié)元件和線粒體DNA。Illumina、Oxford Nanopore Technologies和Pacific Biosciences等公司生產(chǎn)的DNA測(cè)序儀器，能夠在數(shù)小時(shí)內(nèi)從一個(gè)人的DNA樣本中自動(dòng)完成對(duì)其基因組的測(cè)序。

這些商業(yè)化的DNA測(cè)序儀不會(huì)產(chǎn)生整個(gè)基因組長(zhǎng)度的ACGT字符串，而是產(chǎn)生大量子串或“讀數(shù)”（reads）。這些讀數(shù)會(huì)部分重疊，需要序列組裝軟件基于它們重建出完整的基因組。一般來(lái)說(shuō)，當(dāng)進(jìn)行整個(gè)基因組測(cè)序時(shí)，每個(gè)基因組片段長(zhǎng)度不超過(guò)100個(gè)讀數(shù)。

根據(jù)所使用的測(cè)序技術(shù)，讀數(shù)的長(zhǎng)度可能從大約100到100,000個(gè)堿基對(duì)變化，讀數(shù)的總數(shù)可能從數(shù)百萬(wàn)到數(shù)百億不等。短讀數(shù)可以發(fā)現(xiàn)單個(gè)堿基對(duì)突變，而較長(zhǎng)的讀數(shù)更適用于檢測(cè)復(fù)雜的變異，如數(shù)千個(gè)堿基對(duì)的刪除或插入。

DNA測(cè)序是一個(gè)嘈雜的過(guò)程，讀數(shù)中包含錯(cuò)誤是很常見(jiàn)的。因此，除了ACGT核苷酸字符串之外，每個(gè)讀數(shù)包含一個(gè)質(zhì)量分?jǐn)?shù)，表明測(cè)序儀對(duì)每個(gè)DNA核苷酸測(cè)序結(jié)果的信任度。測(cè)序儀將它們的質(zhì)量分?jǐn)?shù)表示為錯(cuò)誤概率的對(duì)數(shù)。它們使用的算法是專(zhuān)有的，但事后可以檢查。如果質(zhì)量得分為20（對(duì)應(yīng)于1％的錯(cuò)誤概率），用戶(hù)可以確認(rèn)在已知的DNA序列中約1％的堿基對(duì)是不正確的。使用這些文件的程序依賴(lài)質(zhì)量分?jǐn)?shù)來(lái)將測(cè)序錯(cuò)誤和突變區(qū)分開(kāi)來(lái)。真正的突變會(huì)比測(cè)序錯(cuò)誤顯示出更高的平均質(zhì)量分?jǐn)?shù)，也就是說(shuō)其錯(cuò)誤概率更低。

測(cè)序儀將字符串和質(zhì)量分?jǐn)?shù)以及一些其他元數(shù)據(jù)逐個(gè)讀數(shù)地粘在一起，形成所謂的FASTQ文件。一個(gè)完整基因組的FASTQ文件通常包含數(shù)十到數(shù)百千兆字節(jié)。

這些文件也非常冗余，這源于任何兩個(gè)人的基因組幾乎完全相同這個(gè)事實(shí)。平均而言，兩個(gè)人的基因組在每1,000個(gè)核苷酸中大約有一個(gè)核苷酸不同，通常這些基因差異是很有趣的。一些DNA測(cè)序針對(duì)特定的差異區(qū)域，例如，像23andMe這樣的DNA基因分型應(yīng)用程序只尋找特定的變異，而刑事調(diào)查中的DNA分析則去尋找特定標(biāo)記重復(fù)次數(shù)的變異。

但是，如果你不知道有趣的東西在哪里（比如當(dāng)你試圖診斷一種未知基因來(lái)源的疾病時(shí)），你就需要對(duì)整個(gè)基因組進(jìn)行測(cè)序，這就意味著你需要獲取更大量的測(cè)序數(shù)據(jù)。

測(cè)序數(shù)據(jù)的重復(fù)也來(lái)自于為清除錯(cuò)誤而多次讀取基因組的相同部分。有時(shí)，一個(gè)樣本中包含一個(gè)序列的多個(gè)變異，因此你想重復(fù)對(duì)其進(jìn)行測(cè)序以捕獲這些變異。比如說(shuō)你正試圖檢測(cè)一個(gè)組織樣本中的一些癌細(xì)胞或一個(gè)孕婦的血液中的胎兒DNA痕跡，這可能就意味著要對(duì)每個(gè)DNA堿基對(duì)多次測(cè)序（通常超過(guò)100次）以區(qū)分罕見(jiàn)變異與更常見(jiàn)變異，以及它們與測(cè)序錯(cuò)誤的真正區(qū)別。

讀數(shù)和參考基因組：一個(gè)DNA“讀數(shù)”（頂部字符串）與人的參考基因組的一小部分（底部字符串）大致匹配。插入、刪除和替換（由于DNA測(cè)序過(guò)程中的突變或噪聲）導(dǎo)致不完美匹配。為了編碼一個(gè)讀數(shù)，我們可以聲明其在參考基因組中的起始位置并描述所有變異。

現(xiàn)在，你應(yīng)該更好地理解了為什么DNA測(cè)序會(huì)產(chǎn)生如此多的冗余數(shù)據(jù)。事實(shí)證明，這種冗余對(duì)于數(shù)據(jù)壓縮是有利的。對(duì)于相同的基因組數(shù)據(jù)塊，你可以只存儲(chǔ)一個(gè)副本，而不是存儲(chǔ)多個(gè)副本。