Credit: CC0公共领域莱斯大学的计算机科学家正在派遣RAMBO去营救基因组研究人员，他们有时要等上几天或几周才能从巨大的DNA数据库中获得搜索结果。DNA测序如此受欢迎，基因组数据集的规模每两年翻一番，搜索数据的工具也没有跟上步伐。研究人员在基因组间比较DNA或研究导致新冠肺炎病毒的生物进化时，往往要等上几周，软件才能索引大型“宏基因组”数据库，这些数据库每个月都会变大，现在是以千兆字节为单位进行测量的。
RAMBO是“重复和合并的bloom filter”的缩写，是一种新方法，可以将此类数据库的索引时间从几周缩短到几小时，并将搜索时间从几小时缩短到几秒钟。莱斯大学的计算机科学家上周在计算机械协会数据科学会议SIGMOD 2021上介绍了RAMBO。
“用传统方法在大型数据库中查询数百万个脱氧核糖核酸序列，在大型计算集群上可能需要几个小时，在单个服务器上可能需要几周时间，”RAMBO的联合创建者托德·特兰根说，他是莱斯的计算机科学家，他的实验室专门研究宏基因组学。“随着基因组数据库的规模继续以令人难以置信的速度增长，减少数据库索引时间以及查询时间至关重要。”
为了解决这个问题，特伦根与莱斯计算机科学家安舒玛利·施赖瓦斯塔瓦(Anshumali Shrivastava)以及研究生高拉夫·古普塔(Gaurav Gupta)和·严(Yan)合作，前者擅长创建算法，使大数据和机器学习更快、更具可扩展性，后者是同行评议的RAMBO会议论文的共同主要作者。
RAMBO使用的数据结构比最先进的基因组索引方法具有更快的查询时间，以及其他优势，如并行化、零假阴性率和低假阳性率。
“RAMBO的搜索时间比现有方法快35倍，”电气和计算机工程专业的博士生古普塔说。在使用170万亿字节微生物基因组数据集的实验中，古普塔说，RAMBO将索引时间从“复杂的专用集群上的6周缩短到共享商品集群上的9小时。”
计算机科学博士生严(音译)说，“在这个巨大的档案库里，RAMBO可以用100台机器的标准服务器在几毫秒甚至几毫秒内搜索到一个基因序列。”
RAMBO改进了Bloom filters的性能，Bloom filters是一种有半个世纪历史的搜索技术，在之前的许多研究中已经应用于基因组序列搜索。作者在研究中写道，RAMBO改进了早期用于基因组搜索的Bloom filter方法，采用了一种被称为count-min sketch的概率数据结构，这种结构比早期方法“带来了更好的查询时间和内存权衡”，并且“通过实现非常健壮、低内存和超快速的索引数据结构，击败了当前的基线”。
古普塔和严说，RAMBO有潜力使基因组搜索民主化，使几乎任何实验室都有可能用现成的计算机快速、廉价地搜索庞大的基因组档案。
“RAMBO可以减少生物信息学中大量研究的等待时间，例如在全球废水宏基因组中寻找新型冠状病毒的存在，”闫说。"例如，RAMBO可以在癌症基因组学和细菌基因组进化的研究中发挥作用."
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
