Das Sequence Read Archive (SRA) der National Institutes of Health enthält über 36 Petabyte an Rohsequenzierungsdaten. Diese Datenflut stellt eine neue Herausforderung dar, da die meisten Sequenzierungsdaten in roher, fragmentierter Form vorliegen und der Montageprozess rechenintensiv ist.
Herausforderungen
- Die meisten Sequenzierungsdaten liegen in roher, fragmentierter Form vor.
- Der Montageprozess ist rechenintensiv.
- Es fehlen skalierbare Techniken, um die riesigen Rohdatenmengen des SRA zu durchsuchen.
Lösungsansatz
Prashant Pandey von der Northeastern University entwickelt eine Technik, um kurze Reads in K-Gramme umzuwandeln und diese in eine hochdimensionale Einbettung abzubilden, wodurch ein digitaler Fingerabdruck für jedes Experiment erstellt wird. Diese Fingerabdrücke werden dann in einem Index gespeichert.
Vorteile
- Die Suche von Millionen von Experimenten kann auf einige hundert wahrscheinliche Übereinstimmungen reduziert werden.
- Der Index kann verteilt auf vielen Maschinen aufgebaut werden.
- Eine Website ermöglicht Benutzern, Sequenzen abzufragen und Ergebnisse zu erhalten.
Zukunftsperspektiven
Pandey betont, dass die Benutzerfreundlichkeit genauso wichtig ist wie die technische Innovation. Sein Team arbeitet mit Forschern am Joint Genome Institute in Kalifornien und am Utah Center for Genetic Discovery zusammen, um reale Datensätze zu menschlichen Krankheiten und Pflanzengenomen zu verarbeiten.
Sources:
Zur Verfügung gestellt von news@genealogy.net - den Machern des Blog