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，會将很長的核苷酸序列，切成小的分片，分别進行測序，在讀取基因序列上，一般是50pb到200bp不等。（4）高通量測序之後，需要查詢相關的病原體标準序列，找到比對的基因序列。（5）通過将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），進而為病人的疾病确診以及精準治療提供有力的支援。
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後，還需要查詢1億左右的基因片段。通常情況下，會使用nBlast [1]工具來進行基因比對，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。阿裡雲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，能夠在幾十分鐘内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。目前示範包含了12182個病毒的堿基序列，我們将病毒切分成150bp的小片段（總共1590804個片段），轉化成向量之後，存儲到AnalyticDB中。在檢索框中，使用者可以輸入一段基因序列，到我們目前的系統中進行檢索。為了友善大家使用，我們挑了新冠病毒，艾滋病毒，埃博拉病毒和中東呼吸綜合症的基因序列來進行示範，使用者可以拷貝相關的序列，來檢測查詢的性能。
圖2. 核酸查詢示範
圖3使用者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。因為目前AnalyticDB提供高效的向量索引，系統會在毫秒級的時間内，傳回相關的基因片段。
圖3.基因檢索結果
2.2 端到端的基因分析
我們模拟了人體的基因采樣，将新型冠病毒基因（塞爾維亞MT450872 [2]，美國MT450873 [3]）和中東呼吸症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，通過目前病毒庫的檢索分析，能夠識别出目前測試集合中包含新型冠狀病毒和MERS病毒。目前系統通過比對檢測，我們生成圖4。
圖4. 基因比對結果
可以看到經過檢測，病毒庫檢索系統傳回了三個基因組（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。是以，通過分析，目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
阿裡雲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資料（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）和基因序列産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，将基因轉化成向量，在AnalyticDB庫中進行粗排檢索。在向量比對的結果集中，我們使用經典的Needleman-Wunsch [4]算法進行精排，傳回最相似的基因序列。
圖5.基因檢索系統架構
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。我們将這5個8-mers轉成對應的向量，求和歸一化之後，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（痤瘡丙酸杆菌，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，鮑曼不動杆菌，結核分枝杆菌，肺炎鍊球菌，肺炎克雷伯氏菌，流感嗜血杆菌，副流感嗜血杆菌，嗜麥芽窄食單胞菌，銅綠假單胞菌，屎腸球菌，紋帶棒狀杆菌，人疱疹病毒4型(EB病毒)，細環病毒，人腺病毒B組，黃曲黴，白色假絲酵母，耶氏肺孢子菌）。我們将一個基因，每隔150個bp，做一下切分。然後将150bp的小的分段，轉化成向量存在庫裡面，進行檢索。是以病毒資料集包括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）系統随機的在目前的基因庫裡面，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。我們将這75bp的基因段到庫裡面進行檢索，查找傳回前N個結果集中，檢視是否包含這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表示查詢傳回的清單的長度。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的清單中，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
| 資料集 | top 1 | top 2 | top 3 | top 4 | top 5 | top 10 | top 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 | 0.993 | 1.0 |
實驗2（見表2）系統随機的在目前的基因庫裡面，取出75bp的小的片段。我們将這75bp的基因段進行了2%的随機的突變（自然界中的基因突變的機率會更低，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的突變機率會高一些，一般也都小于1%），然後到庫裡面進行檢索，查找傳回前N個結果集中，檢視是否包含這75bp的基因段對應的基因片段。基因突變之後，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
| top1 | top3 | top4 | top5 | top6 | top7 | ||
|---|---|---|---|---|---|---|---|
| 0.846 | 0.954 | 0.960 | 0.976 | 0.98 | 0.982 | ||
| 0.884 | 0.961 | 0.968 | 0.973 | 0.989 |
實驗3（見表3）對基因檢索的速度進行了比較。我們下載下傳了病毒序列，菌類的基因序列，以及部分植物基因序列 [7]，總共9.7G。我們分别将相關資料，導入到AnalyticDB資料庫中和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秒才能傳回結果，我們算法精度在top30的情況下，保證精度在0.95的準确性下，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）隻需要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資訊請加入我們的釘釘群，歡迎大家讨論和使用。
[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. "阿裡雲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] 基因資料集
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亮出社群管理的寶藏神器！
https://developer.aliyun.com/article/745160[2] 阿裡雲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