211service.com
Kā genoma sekvencēšanas centri uzglabā tik milzīgus datu apjomus?
Genomiskā sekvencēšana ir strauji kļuvusi no kaut kā iespējama tikai valsts pētniecības projekta mērogā uz tādu, ko var veikt ātri un pat lēti (skatiet Vai tiešām ir tikai 1000 USD, lai secinātu genomu?). Mūsdienās analizējamās DNS apjoms ir satriecošs, tāpat kā datu uzglabāšanas vajadzības.
gigabaiti
Visu sešu miljardu bāzu vai burtu atšifrēšana cilvēka genomā nav vienkāršs uzdevums. Gēnu sekvencēšanas aprīkojums vienlaikus nolasa salīdzinoši mazus DNS gabalus un pakāpeniski apkopo pietiekami daudz informācijas, kas pārklājas, lai izveidotu pilnīgu genoma nolasījumu. Šī sākotnējā datu iegūšanas kārta uztver milzīgu neapstrādātas informācijas apjomu, kas ir līdzvērtīgs miljoniem neapstrādātu attēlu, ģenerējot terabaitus datu.
Sekvencēšanas pirmajās dienās visi šie neapstrādātie dati tika saglabāti, taču jaunākās iekārtas pēc apstrādes izmet neapstrādātos attēlveidošanas datus un ģenerē saspiestu failu, kas attēlo genomu aptuveni 100 gigabaitos. Šis fails satur ievērojamu genoma pārtēriņu — bieži vien ar koeficientu vismaz 30 —, lai nodrošinātu, ka ir pietiekami daudz ticamas informācijas, saka Iļja Čornijs, tirgus menedžeris Illumina uzņēmuma informātikas nodaļā, vadošā gēnu sekvencēšanas iekārtu ražotāja. .
Dažos gadījumos var izmantot samazinātu precizitāti aptuveni viena gigabaita apmērā, taču tas rada zemāku precizitātes pārliecību. Maikls Šacs, Cold Spring Harbor Laboratory kvantitatīvās bioloģijas asociētais profesors, saka, ka 100 gigabaiti ir labs etalons, lai prognozētu jebkura cilvēka genoma uzglabāšanas prasības nākamajā desmitgadē.
Ņemot vērā datu glabāšanas zemās izmaksas, varētu šķist, ka strauji augošajai nepieciešamībai pēc tā nevajadzētu būt problēmai genoma centriem. Apsveriet, ka četru terabaitu diskdzinis, kas izstrādāts tā, lai tas būtu pietiekami uzticams uzņēmumiem, var darboties tikai 130 USD apmērā. Četri terabaiti ir 4000 gigabaitu jeb pietiekami, lai noturētu 40 genomus, kas nozīmē, ka katrs no tiem izmantotu aptuveni 3 USD vērtu krātuves ietilpību, kā arī mazliet papildus liekai bezsaistes dublēšanai.
Taču daudzas iestādes tagad ģenerē simtiem terabaitu datu mēnesī, un tām tie ir jāuzglabā formā, kas ir viegli pieejama visā pasaulē. Illumina piedāvā vienu šādu mākoņa krātuves pakalpojumu, taču konkurence pieaug. 2014. gada beigās Google Genomics sāka piedāvāt genoma datu glabāšanu par 2,2 centiem par gigabaitu mēnesī, kas ir 26 $ gadā par 100 gigabaitiem. Amazon Web Services piedāvā arī genomikas pakalpojumus. Tas nepublicē publisku cenrādi; tā standarta uzglabāšanas maksa būtu aptuveni 35 USD gadā par 100 gigabaitiem.
Nākotnes šoks
Datu prasības kļūs vēl intensīvākas. Lai gan DNS, kas atrodas katrā šūnā, sākotnēji tika uzskatīta par konsekventu plānu visai radībai, tā noteikti nav taisnība, saka Šacs. Ģenētiskie pētījumi ir atklājuši lielu atšķirību starp dažādām šūnām vienā un tajā pašā cilvēkā vai citā organismā. Tas varētu nozīmēt, ka būs jāsaglabā vairāk nekā viens cilvēka genoma gadījums. Šie papildu dati var būt būtiski saspiesti, jo var būt nepieciešams uzglabāt tikai atšķirības starp DNS dažādās šūnās, nevis genomus kopumā. Taču saspiešana palielina skaitļošanas slogu, kad ir jāpiekļūst datiem un tie jāanalizē; ja glabāšana ir lētāka nekā nepieciešamie aprēķini, var būt lietderīgi saglabāt datus pieejamus mazāk efektīvi.
Schatz un deviņi kolēģi no Ilinoisas Universitātes Urbana-Champaign jūlijā publicēja rakstu, kurā mēģināja iegūt informāciju par gaidāmajām sekvencēšanas uzglabāšanas prasībām. Tā kā tehnoloģija kļūst labāka un lētāka, viņi lēš, ka līdz 2025. gadam tiks saglabāti no 100 miljoniem līdz diviem miljardiem cilvēka genomu. Šis pieaugums pārsniedz datu prasību tempu citiem masveida un augošiem krātuves lietotājiem, tostarp jo īpaši YouTube, un astronomijas jomā. veselums.
Paldies Nidhan Biswas par šo jautājumu. Ja jums tāds ir, nosūtiet to uz [email protected]