1.背景介紹

病原體基因檢測，為各種嚴重感染的診斷提供了基礎。病原體檢測流程分成五個步驟：（1）采集病人的樣本，比方說靜脈血，痰液，肺泡灌洗液，或者腦脊髓液等。（2）對樣本進行培養，提取樣本中的核酸組織。（3）通過高通量基因測序儀，對核酸序列進行測序。高通量測序為了保證精度，會將很長的核苷酸序列，切成小的分片，分別進行測序，在讀取基因序列上，一般是50pb到200bp不等。（4）高通量測序之后，需要查詢相關的病原體標準序列，找到匹配的基因序列。（5）通過將這些小的片段進行分析，得到全部基因片段的組成成分（即檢測結果），從而為病人的疾病確診以及精準治療提供有力的支持。

圖1. 病原體基因檢測流程

對于生物分析檢測來說，通常情況下，一次病原體檢測，大約會生成5億左右的75bp的基因片段。過濾掉一些人的基因組織序列之后，還需要查詢1億左右的基因片段。通常情況下，會使用nBlast [1]工具來進行基因匹配，這部分在整個病原體檢測過程中，也是非常耗時的部分，大約需要2-3個小時。阿里云AnalyticDB向量版提供了一個高效的基因檢索工具，大大提升了基因分析的性能，能夠在幾十分鐘內完成整個病原體的查詢檢測過程。

2.基因檢索應用

2.1 基因檢索功能

圖1展示了病原體基因檢索的界面。當前演示包含了12182個病毒的堿基序列，我們將病毒切分成150bp的小片段（總共1590804個片段），轉化成向量之后，存儲到AnalyticDB中。在檢索框中，用戶可以輸入一段基因序列，到我們當前的系統中進行檢索。為了方便大家使用，我們挑了新冠病毒，艾滋病毒，埃博拉病毒和中東呼吸綜合癥的基因序列來進行演示，用戶可以拷貝相關的序列，來檢測查詢的性能。

圖2. 核酸查詢演示

圖3用戶輸入了一段新型冠狀病毒的基因序列，可以看到排到前面的序列片段就是我們要找的新冠的病毒的序列。因為當前AnalyticDB提供高效的向量索引，系統會在毫秒級的時間內，返回相關的基因片段。

圖3.基因檢索結果

2.2 端到端的基因分析

我們模擬了人體的基因采樣，將新型冠病毒基因（塞爾維亞MT450872 [2]，美國MT450873 [3]）和中東呼吸癥MERS基因（NC_019843.3 [10]），三株病毒混合在一起，打散成75bp的序列，當做測試集合。我們希望，通過當前病毒庫的檢索分析，能夠識別出當前測試集合中包含新型冠狀病毒和MERS病毒。當前系統通過匹配檢測，我們生成圖4。

圖4. 基因匹配結果

可以看到經過檢測，病毒庫檢索系統返回了三個基因組（NC_045512.2，NC_019843.3和NC_038294.1）。NC_045512.2（65%）是武漢海鮮市場的新型冠狀病毒的基因；NC_019843.3（20%）是MERS病毒的基因；而NC_038294.1（13%）是beta型英國冠狀病毒，經過查詢這個是MERS病毒的另外一個名字 [8]，也屬于MERS病毒。因此，通過分析，當前混合測試集合中包含了新型冠狀病毒和MERS病毒。

2.3 應用架構總體設計

阿里云基因檢索系統的總體架構如圖5所示，AnalyticDB負責整個應用的全部的結構化數據（比方說，基因序列的長度，基因的名稱，基因的種類，以及基因的詳細介紹，DNA或者RNA等）和基因序列產生的特征向量的存儲和查詢。在查詢的時候，我們使用基因向量抽取模型，將基因轉化成向量，在AnalyticDB庫中進行粗排檢索。在向量匹配的結果集中，我們使用經典的Needleman-Wunsch [4]算法進行精排，返回最相似的基因序列。

圖5.基因檢索系統框架

3.基因訓練和查詢模型

3.1 基因查詢過程

基因模型的訓練已經在上一篇文章中 [5]，進行了詳細的講解。通過訓練好的DNA K-Mer模型，我們可以得到每個k-mer的向量。給定一段12bp的基因序列（如圖6），我們在這段基因序列中抽取出5個8-mers。我們將這5個8-mers轉成對應的向量，求和歸一化之后，就是這段12bp的基因序列的最終的向量。當然，為了提升精度，我們也可以使用doc2vec [6]等學習模型來對整段基因片段進行轉化。

圖6.DNA序列轉向量

3.2 基因精度分析

我們訓練了兩個模型，全部病毒模型和21個病原體細菌模型（痤瘡丙酸桿菌，金黃色葡萄球菌，表皮葡萄球菌，溶血葡萄球菌，大腸埃希氏菌，鮑曼不動桿菌，結核分枝桿菌，肺炎鏈球菌，肺炎克雷伯氏菌，流感嗜血桿菌，副流感嗜血桿菌，嗜麥芽窄食單胞菌，銅綠假單胞菌，屎腸球菌，紋帶棒狀桿菌，人皰疹病毒4型(EB病毒)，細環病毒，人腺病毒B組，黃曲霉，白色假絲酵母，耶氏肺孢子菌）。我們將一個基因，每隔150個bp，做一下切分。然后將150bp的小的分段，轉化成向量存在庫里面，進行檢索。因此病毒數據集包括12182個病毒, 1590804個分段；21個細菌共275個基因，1521807個分段。

實驗1（見表1）系統隨機的在當前的基因庫里面，取出75bp的小的片段。我們知道這75bp的基因片段是在哪個基因的哪個片段中提取的。我們將這75bp的基因段到庫里面進行檢索，查找返回前N個結果集中，查看是否包含這75bp的基因段對應的基因片段。Top-n的精度（Precision(n)），用公式（1）進行計算。

其中，n表示查詢返回的列表的長度。u表示查詢的次數，在實驗中u取的是1000次。表示在第i次查詢中，序列si是否出現在Top-n的列表中，出現為1，不出現為0。如果n越小，精度越高，說明我們的方法在實際中非常有效。我們可以看到，針對兩個模型來說，top20的精度，都在99%以上。精度在0.99以上，對于實際檢驗基因片段包含物種基因是足夠了的。

表1.基因查詢精度檢測

數據集top 1top 2top 3top 4top 5top 10top 20

病毒	0.866	0.965	0.983	0.986	0.99	0.992	0.994
21個細菌	0.901	0.975	0.987	0.987	0.993	0.994	1.0

實驗2（見表2）系統隨機的在當前的基因庫里面，取出75bp的小的片段。我們將這75bp的基因段進行了2%的隨機的突變（自然界中的基因突變的概率會更低，比方說人的30億個堿基，新生兒會有30個基因發生突變。病毒RNA的突變概率會高一些，一般也都小于1%），然后到庫里面進行檢索，查找返回前N個結果集中，查看是否包含這75bp的基因段對應的基因片段。基因突變之后，雖然查詢的精度有所下降，但是top20的精度也都達到了0.99。

?

表2.基因突變查詢精度檢測

數據集top1top 2top3top4top5top6top7

病毒	0.846	0.954	0.960	0.976	0.98	0.982	0.99
21個細菌	0.884	0.961	0.968	0.973	0.973	0.989	1.0

實驗3（見表3）對基因檢索的速度進行了比較。我們下載了病毒序列，菌類的基因序列，以及部分植物基因序列 [7]，總共9.7G。我們分別將相關數據，導入到AnalyticDB數據庫中和Blast庫中。我們跑了100次不同的查詢，對實驗結果取了平均。Blast需要3.22秒才能返回結果，我們算法精度在top30的情況下，保證精度在0.95的準確性下，測試端到端的查詢（包括查詢基因轉向量，向量粗排和Needleman-Wunsch算法的精排）只需要0.257s（提升了12.5倍）。

?

表3.檢索時間

4.結尾

詳細的基因模型以及相關系統信息請加入我們的釘釘群，歡迎大家討論和使用。

[1] blast+?https://ftp.ncbi.nlm.nih.gov/blast/executables/blast+/LATEST/
[2]?https://www.ncbi.nlm.nih.gov/nuccore/MT450872
[3]?https://www.ncbi.nlm.nih.gov/nuccore/MT450873
[4] Needleman, Saul B. & Wunsch, Christian D. (1970). "A general method applicable to the search for similarities in the amino acid sequence of two proteins". Journal of Molecular Biology. 48 (3): 443–53. doi:10.1016/0022-2836(70)90057-4. PMID 5420325.
[5]漢朝. "阿里云提供高效基因序列檢索功能，助力冠狀病毒序列快速分析",?https://developer.aliyun.com/article/753097?utm_content=g_1000111278

[6] Mikolov Tomas; et al. (2013). "Efficient Estimation of Word Representations in Vector Space". arXiv:1301.3781
[7] 基因數據集?https://www.ncbi.nlm.nih.gov/genome/viruses/variation/help/flu-help-center/ftp/
[8] de Groot RJ Baker SC Baric RS et al. Middle East respiratory syndrome coronavirus (MERS-CoV): announcement of the Coronavirus Study Group. J Virol. 2013; 87: 7790-7792
[9]?https://www.ncbi.nlm.nih.gov/nuccore/NC_045512.2
[10]?https://www.ncbi.nlm.nih.gov/nuccore/NC_019843.3
[11]?https://www.ncbi.nlm.nih.gov/nuccore/NC_038294.1

往期文獻：

[1] 戴口罩也能刷門禁？疫情下AnalyticDB亮出社區管理的寶藏神器！https://developer.aliyun.com/article/745160
[2] 阿里云提供高效基因序列檢索功能，助力冠狀病毒序列快速分析
https://developer.aliyun.com/article/753097

原文鏈接
本文為云棲社區原創內容，未經允許不得轉載。

總結

以上是生活随笔為你收集整理的解密阿里云高效病原体基因检测工具的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。