List of biological databases

“Big Data is like teenage sex: everyone talks about it, nobody really knows how to do it, everyone thinks everyone else is doing it, so everyone claims they are doing it.” – Dan Ariely

В 1880 году Бюро по переписи населения США столкнулось с неожиданной проблемой. По их подсчетам, анализ переписи 1880 года продолжался бы около 10 лет как раз до следующей переписи, запланированной в 1900 году. Решение вскоре было найдено в лице молодого ученого, Германа Холлерита, разработавшего электрическую табулирующую систему, которая увековечит его имя и позволит завершить анализ данных за 3 месяца.

Компания, основанная Холлеритом, в последствии станет одной из составляющих молодой IBM.

Это, естественно, не первый пример проблемы больших данных, когда информации настолько много, что ее просто невозможно адекватно обработать: первые счеты появляются в Вавилоне (2400 лет до н.э.) и примерно в это же время возникают первые библиотеки – информацию нужно где-то хранить.

Достояние Александрийской библиотеки оценивается в сотни тысяч свитков – исполинская база данных для того времени, история которой закончилась плачевно. Рукописи горят. С изобретением книгопечатания человечество достигает плотности информации примерно 500 символов на кубический дюйм – в 500 раз больше, чем у шумерских глиняных табличек.

В 1957 первый жесткий диск от IBM стал настоящим прорывом: размером с два небольших холодильника, он позволял хранить целых 3.75 мегабайта информации.

Объем всех жестких дисков, CD, DVD в 2007 году оценивался примерно в 62 экзабита (=10^18 байтов или миллиард гигабайтов). В 2015 Seagate презентовала жесткий диск с плотностью информации 1.34 терабит/кв. дюйм, что в 600 000 000 раз больше плотности памяти первого жесткого диска.

Данными может быть все: биржевые индексы, научные публикации, запись показаний градусника на улице, СМС-сообщения, лайки, которые вы ставите, чек на валерианку, проданную вашей бабушке в ближайшей аптеке, и количество денег за нее заплаченных. Персональные гаджеты с доступом в интернет производят ежедневно огромное количество данных: достаточно заглянуть в приложение “Здоровье” от Apple. Выгрузив в один прекрасный день данные оттуда, я обнаружил 84 572 записи частоты пульса, около 15 000 пройденных дистанций, 400 записей о количестве пройденных этажей и 10 000 порций сожженных калорий. Возьмите такую информацию от тысячи пациентов – и вам будет некуда ее сохранить.

Исторический рост скорости получения и объема информации получил название “информационного взрыва”. Лавинообразно растет не только обьем данных, но и скорость их обработки – это так называемый “закон Мура” (Moore's law), названный в честь Гордона Мура, одного из основателей Intel, заметившего, что каждые два года количество транзисторов в новых процессорах удваивается.

Большие данные (анг. Big Data) – это и констатация факта, и совокупность методов решения проблемы: данные недостаточно где-то хранить, их нужно передавать и анализировать. Традиционно в больших данных выделяют три свойства: volume, velocity, variety – объем информации, скорость ее накопления и обработки, разнообразие (анализировать можно любую информацию, достаточно перевести ее в приемлемый формат). Для анализа больших данных существует гигантское количество методов: от классического статистического анализа до разнообразных методов машинного обучения.

Наличие астрономического объема информации и острой необходимости что-то с ней делать привело к появлению data science – науки о том, как данные получать, понимать и помогать понять другим.

Первыми с Big Data в естественной науке столкнулись физики и астрономы: большой адронный коллайдер, например, производит 25 ГБ данных в секунду (~86 терабайт данных в день), а Large Synoptic Survey Telescope способен записать 15ТБ информации за ночь. Такой объем данных просто невозможно сохранить для последующего анализа. Выходом может быть обработка в реальном времени, которая очень сложна и требует огромной вычислительной мощности: большая часть информации обрабатывается in situ и грубые данные не сохраняются вообще.

В отличие от физики, биомедицина использует иной подход: необходимо записать информацию о каждом белке, каждом нуклеотиде, каждой РНК, считанной с определенного участка ДНК. Часть информации невозможно тут же отбрасывать как “ненужную” – она может пригодиться потом.

Наука о геномах все еще находится на стадии описания. Нужно прочесть как можно больше последовательностей, от митохондрий человека до генома морского конька.

Количество данных в этой отрасли удваивается каждых 7 месяцев. Наравне с ней стремительно развиваются и другие “омики”: эпигеномика, протеомика, транскриптомика, метаболомика… Эти области питают десятки различных баз данных: [https://vk.cc/6h1ZQi]. Protein Data Bank, например, содержит данные о структуре 118 000 белков, пополняясь десятками тысяч новых структур ежегодно. Sequence Read Archive хранит 250 000 человеческих геномов, 32 000 – бактериальных и около 5000 растительных/животных (и прочих эукариотических, если угодно).

Секвенируют больше, секвенируют дешевле: если в 2001 году стоимость прочтения генома составляла ~100 000 000$, то в 2015 году она пробила отметку 1000$. Трудно найти другой пример технологии, подешевевшей в сто тысяч раз за 15 лет.

Еще до недавнего времени компания “23andMe” в США предлагала определить последовательность десятков генов всего за 99$, прочитав к 2017 году последовательности двух миллионов человек.

Однако данные недостаточно получить, из них нужно извлечь информацию. И это, пожалуй, самое интересное. Меткое английское название добычи данных – data mining – хорошо описывает ситуацию: аналитики похожи на шахтеров с кирками, достающих из гор грубой информации крупицы новых знаний. В конце концов, геномы после секвенирования – это просто набор чередующихся букв. Самое интересное впереди: необходимо найти нуклеотиды, которые у разных людей отличаются – однонуклеотидные полиморфизмы, и, возможно, связать их с признаками заболеваний.

Этот подход получил название полногеномного поиска ассоциаций (Genome Wide Association Studies, GWAS). Анализ геномов занимает огромное время и мощности. Если еще 20 лет назад в GWAS использовались геномы десятка пациентов, то сейчас это тысячи и сотни тысяч. Но даже если отличие найдено, это ничего не говорит о наличии болезни: отличающийся нуклеотид может не прямо влиять на первичную структуру белка, а, например, изменять уровень экспрессии белка в конкретной ткани, более того, в отдельных клетках в определенное время. Наивные примеры серповидноклеточной анемии и альбинизма хороши лишь для школьных учебников – с таким подходом не понять патогенез болезни Паркинсона или шизофрении. Бесполезность концепции “один белок – одна болезнь” и взаимодействие всех компонентов клетки довольно метко описывает омнигенетическая модель: все связано со всем.

Человечество еще невероятно далеко от понимания того, как работает геном: как на него влияют эпигенетическая изменчивость, то, как уложена ДНК в трехмерном пространстве, спектр РНК в ядре и белков в цитоплазме и прочие факторы. 20 000 белков – лишь вершина геномного айсберга.

«Если бы в магазине продавали машинное обучение быстрого приготовления, на коробке было бы написано: «Просто добавь данных».»

Педро Доминигос, “Верховный алгоритм”

Что же делать с гигантскими массивами данных?

Выход из сложившейся ситуации есть – дать компьютерам самим анализировать. Этот подход давно известен под разными названиями “машинного обучения”. Конечно, для анализа относительно простых данных никакой “искусственный интеллект” не нужен – достаточно природного, человеческого, вооруженного пакетами для R, Python или Excel, на худой конец. Но для анализа большого количества данных, в которых есть и нелинейные взаимосвязи намного правильнее использовать машины.

Общая суть в том, чтобы алгоритм сам искал взаимосвязи в данных, делал заключения, строил модели и на их основании мог делать прогнозы. Машинное обучение широко и очень успешно используется в бизнесе для прогнозирования поведения покупателей, цен на нефть и состояния биржи. Торговые гиганты, такие как Amazon и, например, Airbnb, используют сложные алгоритмы для удовлетворения покупателей. Алгоритмы могут находить в массивах данных такие взаимосвязи, которые не под силу заметить человеку: широко цитируется забавный пример с пивом и подгузниками. Американская торговая сеть Wal-Mart заметила, что пиво продается лучше, если разместить его рядом с подгузниками. Вывод совершенно неочевидный, но объяснить такую находку можно тем, что мужчины, посланные женами в супермаркет за подгузниками, покупают себе пиво в качестве вознаграждения. И хотя эта история является выдумкой [https://vk.cc/6TIcJX], она хорошо иллюстрирует то, чем занимаются специалисты по машинному обучению – поиск закономерностей, порой и тех, которые человеку найти не под силу.

Для обучения машин существует множество подходов: тут и нейронные сети, и теорема преподобного Байеса, и даже искусственная эволюция программ. Суть в том, что мы не знаем, какие закономерности найдет алгоритм в данных, нам это не так интересно. Важно, чтобы он мог на основании этих моделей выполнять то, что от него требуется. Дайте алгоритму достаточно большую выборку данных (например, гистологические препараты с отметками: “это карцинома”, “это аденома”), и он способен научиться их сортировать. Естественно, алгоритм может просто “зазубрить” изображения – так называемое “переобучение” (overfitting). Чтобы этого избежать, эффективность программы проверяют не на обучающей выборке, а на новой – тестовой. Довольно часто программы, великолепно справлявшиеся с обучающей выборкой, терпят настоящее фиаско в дикой природе новых данных.

В медицине машинное обучение используется сравнительно недавно, но уже достигло значительных успехов.

В июне 2016 в Nature была опубликована статья [https://vk.cc/6TIgWk] о сверхточной нейронной сети, которая научилась отличать меланому на фотографии от доброкачественных новообразований кожи и делала это не хуже более двадцати сертифицированных дерматологов. Перспективы этой программы огромны, если ее удастся упаковать в удобочитаемый интерфейс смартфона. Примерно тот же подход уже использовали для диагностики рака простаты [https://vk.cc/6TIixq]. Еще более поразительный пример – алгоритм IBM Watson, способный анализировать огромные массивы данных о пациентах, способах лечения заболеваний, клинических испытаниях, журнальных статьях и в результате выдавать рекомендации по лечению конкретного пациента. Трудно сомневаться в том, что опыт одного врача не сравнится со всеми публично доступными медицинскими данными в мире, и поэтому проект от IBM способен изменить клиническую медицину в недалеком будущем.

Источники:

“Верховный алгоритм”, Педро Доминигос

Прекрасная книга известного американского специалиста по машинному обучению, цитаты из которой достойны отдельного поста.

“Big Data: Astronomical or Genomical?”, Zachary D.Stephens et al., PLOS Biology

Обзор проблемы Big Data в области геномики.

“The power of petabytes”, Michael Eisenstein

Краткий обзор перспектив больших данных медицине.

The world’s technological capacity to store, communicate, and compute information”, M.Hilbert et al.

Немного устаревший, но очень подробный обзор изменения количества и состава информации, производимой человечеством с 1986 по 2007 год.

“An expanded view of complex traits: from polygenic to omnigenic”, E.Boyle,Li Yi; Cell.2017

Статья, представляющая омнигенетическую модель регулирования сложных признаков.

“Data Analysis for the Life Sciences with R”, Rafael .Irrizary et al.

Обширный учебник для анализа данных в среде R, доступный бесплатно.

Комментарии: