对付大数据的小伎俩

大数据是当前的热门话题。各行各业，到处都有人谈论大数据。就人的基因来说，大数据这部“天书”总共30亿个字。在检验过程中，为了不看走眼大数据，保证结论准确可靠，惯例是每一个字检验30次以上。因为30亿的数据量实在太大，需要通过相当程度的重复来排除错误。为了把一个人的基因通读一遍，得念1000亿个字，真真的就是大数据。

先不说如何分析、解读这部书，如何理解全书或者它的某些章节、段落的含意。挖掘大数据所蕴含的宝藏是一个难题。生物信息学是当今的热门专业，非常抢手。我们只看第一步，生物学家要动用什麽样的心思和手段，才能把这套数据拿到手。

基因技术上的改进共有3次，但是远远没有到达终点。

最初的技术，一次只能读100个字。100对1000亿，那是愚公移山。於是人们着手改进技术，增加长度。成就也不能说没有，终於可以从100个读到1000个了，手工操作也改成机器自动化了。十年过去，提高了十倍。然而，1000是该技术的极限，再也难以延长。

这时，有人想到了把基因分成小组。大数据不好对付，分班分组可以减轻负担。首先把基因切断成大片段，再想办法将这些大片段复制几万份，满足后续操作需要;然后分头检测各个片段。拿到数据后，先把大片段组装出来，作为骨架;再用骨架搭出整个基因组。

这里头的每一步都是可以做到的，人们努力的方向自然而然就从增加读长改成了增加基因片段的长度。增加长度很容易，但是长片段的复制是一个问题，操作繁琐，速度简直就是乌龟爬。

面对这种窘境，文特尔想起了猎鸟。身处旷野，鸟儿的个头实在是太小了。它们飞在空中，即使看见了，打下来也不容易。霰弹枪是对付飞鸟的有效武器。一打一片，碰到鸟儿的机会比较多。基因散布在数据的汪洋大海中，要抓住同样不容易。也许霰弹枪也是对付基因的一个办法?文特尔的想法是跳过困难的长片段复制，把基因打成更短的片段，直接测序。短片段的复制比较容易，好比霰弹;短片段拼基因组，好比拼图游戏。

突然有人提出这样的胡思乱想，冀求朝天胡乱放一枪就碰到个把基因，完全不被看好。鸟枪法遭致一片反对。由於申请不到经费，文特尔干脆自己动手，成立了一家公司，与官方研究机构展开竞赛。他们很快就测定了果蝇和人类的基因，速度之快，可比兔子。号称可以与阿波罗登月计划相媲美的人类基因组计划，在鸟枪法加入竞争之后，迅速完成了。当美国总统宣布该计划完工的时候，当初申请不到经费的人也站在克林顿旁边。

微信扫一扫实时了解行业动态

微信扫一扫分享本文给好友