隨著基因測序價格以超摩爾定律的勢態(tài)下降，其被廣泛應(yīng)用于基因組學(xué)研究、臨床診斷以及多種疾病個性化治療等領(lǐng)域。對此，業(yè)內(nèi)人士認為，當今基因測序行業(yè)面臨最大的挑戰(zhàn)已不再是基因測序技術(shù)，而是處理巨大的數(shù)據(jù)量以及如何從巨大數(shù)據(jù)中獲取臨床指導(dǎo)。據(jù)雷鋒網(wǎng)了解，生物信息分析服務(wù)是目前業(yè)界公認的最具發(fā)掘潛力以及盈利能力的環(huán)節(jié)，但目前國內(nèi)還處于起步階段。

那么，基因數(shù)據(jù)與其他數(shù)據(jù)有何異同？處理基因數(shù)據(jù)又何難點和挑戰(zhàn)？基因數(shù)據(jù)的未來是怎樣的？本次公開課，雷鋒網(wǎng)AI掘金志欄目邀請了華大基因研發(fā)中心副總監(jiān)金鑫，帶來《基因大數(shù)據(jù)簡史——起源、現(xiàn)狀和未來》的主題演講。

嘉賓介紹：

華大股份研發(fā)中心副總監(jiān)、BGI Online平臺負責人金鑫，華大基因的青年科學(xué)家。

金鑫曾參與了一系列重大科研項目攻堅，包括國際千人基因組計劃、中丹糖尿病基因組計劃、人類泛基因組圖譜計劃、高原基因組計劃，及自閉癥基因組計劃等。早在2009年，金鑫就以在校生的身份在《Nature》子刊《Nature Biotechnology》發(fā)表《構(gòu)建人類泛基因組序列圖譜》，并首次提出了“人類泛基因組”概念。

公開課視頻：

（注：本次公開課中，金鑫博士展示有趣的案例，并回答多個網(wǎng)友精彩問題，所以推薦優(yōu)先觀看視頻。）

---

以下是金鑫博士演講內(nèi)容，雷鋒網(wǎng)做了不改變原意的編輯：

我是金鑫，來自華大基因，我現(xiàn)在是華大股份研發(fā)中心副總監(jiān)，同時也是BGI Online和大數(shù)據(jù)專項的負責人。今天我想跟大家分享的題目是基因數(shù)據(jù)起源、傳承與演化。

我們都說基因是上帝的語言，在說基因之前，我先給大家看一塊石碑，這塊石碑叫羅塞塔石碑，已經(jīng)保存了2200多年，大約是公元前197年制作的，其上面刻有多種語言：希臘文字、埃及象形文字、也有當時埃及的民間文字、羅馬文字。實際上，石碑是迄今為止已知的保存信息最長久的一種載體。

我們身體里有很多細胞，每個細胞里都有一個完整的基因組，基因組上所承載信息的載體是ATCG這四個非常簡單的基本單元，我們稱之為堿基。從地球上有生命起，絕大部分已知的地球生物都是通過DNA的形式來承載我們生命的全部秘密，但所謂的承載和傳遞并不是只做一次記錄，更多的是通過不斷的復(fù)制把它傳遞下去，而且傳遞過程并不是非常精確的完整復(fù)制過程，這使得如今整個地球上的物種成千上萬、豐富多彩。

基因的起源

很多年前，人類就開始了讀基因天書的努力。

在20世紀，人類有三大科學(xué)創(chuàng)舉：1945年的曼哈頓原子彈計劃、1969年的阿波羅登月計劃和2000年前后完成的人類基因組計劃。

從一開始，我們就是人類基因組計劃中的一份子，當時一共有6個國家參加，美、英、法、德、日、中，中國是唯一一個參與人類基因組計劃的發(fā)展中國家。1999年9月9日，華大基因為完成人類基因組計劃中國部分那個1%而成立的。當時要去讀取人的基因數(shù)據(jù)，需要做一個完整的人類基因參考序列，就像一個地圖導(dǎo)航坐標系一樣，這其實是非常困難的。6個國家成百上千科學(xué)家花費了13年時間和30億美金才完成了第一個人的基因組測序，當然，這個過程中，也帶來很多相關(guān)學(xué)科、技術(shù)和產(chǎn)業(yè)的發(fā)展。我想給大家講的是，2000年之前，讀一個人的基因數(shù)據(jù)要耗巨資需要十幾年的時間。

如今，是一個數(shù)據(jù)的時代，一個互聯(lián)網(wǎng)的時代，一個智能的時代，而所有這一切的核心是我們今天講的數(shù)據(jù)。

相比其他數(shù)據(jù)，基因數(shù)據(jù)的產(chǎn)生有很多特別的地方，基因數(shù)據(jù)的獲取需要一個特別的設(shè)備——基因測序儀。2015年10月份，中國第一款的國產(chǎn)自主知識產(chǎn)權(quán)的基因測序儀問世，這就是華大研發(fā)的。

其實，過去幾十年，如同很多的高精尖醫(yī)療設(shè)備和其他大型設(shè)備一樣，基因測序儀其實大部分依賴進口。而如今，全球只有兩個國家三家公司能夠量產(chǎn)臨床級別的基因測序儀，兩個國家是美國和中國，三家公司是illumina、賽默飛世爾和中國的華大基因。

很多人都非常熟悉摩爾定律，價格不變時，集成電路上容納晶體管數(shù)量18個月增加一倍。而在2007年前后，基因測序技術(shù)的大突破使得基因測序成本飛速下降，下降速度甚至超過了摩爾定律的斜率。

這個圖是截止到2011年的1月份的，而如今，這條線已經(jīng)基本上跟坐標軸的最底部平齊，也就是說讀取一個人的基因數(shù)據(jù)成本已經(jīng)低于一千美金了。我們相信隨著技術(shù)的進一步提升、生產(chǎn)進一步規(guī)?；覀冞€有機會把它變得更便宜。

基因數(shù)據(jù)與很多其他數(shù)據(jù)有一個很大的不同點：獲取單位數(shù)據(jù)成本依然較高。淘寶有電商數(shù)據(jù)、百度有搜索數(shù)據(jù)、滴滴打車有出行數(shù)據(jù)，這些是在大家使用的過程伴生的，我們可以認為這些數(shù)據(jù)產(chǎn)生的邊際成本幾乎為0，但是基因數(shù)據(jù)的產(chǎn)生需要專門的操作，通過抽血或取唾液，從中提出DNA，經(jīng)過專門的基因測序設(shè)備，最終才能夠得到基因數(shù)據(jù)。所以，如果基因數(shù)據(jù)要像其他數(shù)據(jù)一樣被人人所接觸、為人人的健康服務(wù)，那么其獲取成本應(yīng)進一步降低，獲取速度進一步加快。

2003年，我們完成了第一個人基因組測序，從2006年左右開始，有人獲得了自己完整的基因組數(shù)據(jù)，其中就有DNA雙螺旋結(jié)構(gòu)發(fā)現(xiàn)者沃森。2008年左右，第一次獲取了亞洲人的基因數(shù)據(jù)圖譜，后來日本人、韓國人、非洲人等的基因數(shù)據(jù)也不斷被解碼出來，但當時，有自己個人基因組數(shù)據(jù)的人幾乎沒有，2010年開始，有非常多大型科研項目啟動，全球很多人有了自己的基因數(shù)據(jù)。保守估計，有自己基因數(shù)據(jù)的人已經(jīng)超過了數(shù)百萬，我覺得這是令人非常興奮的事情，因為對于基因數(shù)據(jù)，我們曾經(jīng)是一無所知的，但是從過去十年開始，基因數(shù)據(jù)非?？焖俚乇猾@取和積累起來。

傳承

英國皇室家庭曾經(jīng)有人攜帶一個非常嚴重的遺傳病的基因——血友病，這種基因的突變會導(dǎo)致其凝血能力發(fā)生障礙，同時皇室家族又講究血統(tǒng)的純正，所以血友病在這個家族代代相傳，如今這一代的英國皇室已經(jīng)基本上沒有人是血友病致病基因的攜帶者了，但是歐洲很多其他的皇室家族中依然有血友病基因存在，這就是基因數(shù)據(jù)代代相傳。把自己的基因傳遞下去，其實是每一個個體、每一個物種的最基本本能，基因傳遞了我們所有的各種各樣的特征，也包括了致病基因。

遺傳是代代相傳，但同時也有一母生九子，九子各不同，生命傳遞的過程中有變異存在的可能性，而這個變異所帶來的風(fēng)險其實是每個人都可能會遇到的每個人都可能會遇到的。

我們之前做過一個自閉癥科研項目，其中選取的自閉癥樣本都是父母雙方正常，但是他們的孩子卻很明確地判定是自閉癥，基因檢測發(fā)現(xiàn)父母雙方?jīng)]有任何奇怪的基因。關(guān)于孩子發(fā)生嚴重的疾病原因，后來有很多專家說是父母雙方將其基因傳遞給子代時，后代的基因更多來自于父方。男性跟女性的生殖策略是非常不同的，女性一生中卵子的數(shù)目是確定的，大約每月排出一個卵子直到絕經(jīng)，但是男性從有生育能力開始就在大量的復(fù)制精子，以量取勝，成千上萬、甚至上億顆精子不斷的被生產(chǎn)出來，而精子復(fù)制過程中發(fā)生新突變的可能性比卵子要大很多。

我們曾經(jīng)做過一個觀測，我們找到了很多家庭，把這個父親的年齡作為一個自變量，觀測父親年齡跟孩子基因中發(fā)生新變異的數(shù)量的關(guān)系，發(fā)現(xiàn)一個明顯的正相關(guān)關(guān)系，據(jù)當時估算，父親的年齡每增加一歲，孩子就有可能會增加一個左右的新突變。人類基因組數(shù)量很大，基因突變可能發(fā)生在任何的位置，可能在絕大部分位置的小突變，不會有什么問題，但是如果不幸，突變發(fā)生在很重要位置上，那么孩子就有患病的風(fēng)險。

那么，為什么生命數(shù)據(jù)要這樣呢？為了把基因數(shù)據(jù)傳遞下去，相對更精確得復(fù)制、產(chǎn)生的錯誤更少一些不是更好嗎？

如果我們從整個物種的角度講，對此的考慮就可能會很不一樣。在某種程度上，新突變增加了物種基因多樣性。如果基因多樣性變得單一，那么物種繼續(xù)發(fā)展下去就變得比較困難。

舉一個非常簡單的例子，廣東、廣西和海南省地中?；驍y帶率相對較高，這是有原因的，這是人類生存過程一種與環(huán)境的妥協(xié)，地中海貧血基因一開始是在地中海沿岸發(fā)現(xiàn)的，而地中海貧血大都發(fā)生在這個維度上，原因是這樣的，很久之前，在這種維度的自然和氣象環(huán)境之下，瘧疾高發(fā)，一旦患病非常嚴重會導(dǎo)致死亡，而地中海貧血致病基因攜帶者對瘧疾有一定的抗性，在人類還沒有別的手段控制瘧疾時，這種基因攜帶者有生存優(yōu)勢，最終，導(dǎo)致地中海貧血致病基因在這些地區(qū)大量傳開了。

如今，我們經(jīng)常會被問到，是不是攜帶某種壞基因？但什么是好基因，什么是壞基因呢？從根本上講，基因沒有好壞之分，只有多樣性。這種多樣性導(dǎo)致有些人由于基因突變看起來與我們不一樣，但這其實為人類生存贏得一種新的可能性，比如環(huán)境、氣象和地質(zhì)條件發(fā)生大規(guī)模的變化，或整個食物結(jié)構(gòu)發(fā)生巨變等，這時如果說人類基因都非常相似的話，那人類這個物種生存的可能性就會大大降低。

基因科技&未來

那么，對于嚴重遺傳病、腫瘤、傳染病等，科技能做什么呢？

從生育角度，像地中海貧血這樣的遺傳病可以在寶寶出生之前進行產(chǎn)前檢查，尤其是在高發(fā)地區(qū)，甚至在備孕之前就可以去做基因檢測，進行相應(yīng)的準備并接受指導(dǎo)。如果檢查結(jié)果是父母雙方攜帶同樣的遺傳病致病基因，可以進行相應(yīng)的干預(yù)，比如植入胚胎，選擇沒有攜帶致病突變或說不會引起疾病的基因拷貝的胚胎做植入，如果成功受孕，寶寶就肯定是健康的。另外還有不孕不育的問題，一部分不育是因為習(xí)慣性流產(chǎn)，其中一大部分與基因有關(guān)，可以通過基因檢測發(fā)現(xiàn)和預(yù)防。

如今，我們做的最多的是無創(chuàng)產(chǎn)前檢查，用于篩查21-三體綜合癥。未來，我相信每個寶寶出生時都會做一個基因檢測，讀取其基因數(shù)據(jù)，用于疾病預(yù)防和用藥指導(dǎo)。

如今，我們還面臨很多其它挑戰(zhàn)，比如腫瘤。腫瘤最重要的是預(yù)防，當處于腫瘤中晚期發(fā)現(xiàn)時，治療辦法是非常有限的，如果能早發(fā)現(xiàn)、早期篩查并且輔以個性化藥物的話，能有效控制病情甚至未來可能治愈。我們現(xiàn)在知道腫瘤是一種基因病，是環(huán)境和基因共同導(dǎo)致的?；驒z測不僅僅意味著早期篩查，同時這項技術(shù)對藥物研發(fā)也有重要作用，比如對腫瘤細胞進行基因檢測，找到其特異性的標靶序列，把這些序列添加到經(jīng)過加工的免疫細胞上，將這個免疫細胞注入身體中，這種技術(shù)能在一定程度上治療腫瘤。

大家可能對SARS記憶猶新，在非典病人的組織液、血液等提取病原體，進行基因檢測，能確定病原體類型。如今，我們基本能做到，對于絕大部分已知的病原微生物，我們不僅可以知道它是什么，而且可以知道其有沒有抗藥性、對某種抗生素是否有抗性等。

那么，基因技術(shù)能做什么？

精準醫(yī)療人人都在講，但精準醫(yī)療的基礎(chǔ)是基因數(shù)據(jù)。2016年，這三家公司都積累了100多萬人的部分基因數(shù)據(jù)，所謂部分基因數(shù)據(jù)，是通過基因芯片技術(shù)，讀取部分數(shù)據(jù)得到某方面的基因信息。

華大基因也積累了很多數(shù)據(jù)，到2016年4月份時，僅僅無創(chuàng)產(chǎn)篩這個項目就做了100萬人，但我們是通過全基因組數(shù)據(jù)測序獲取數(shù)據(jù)的，所以盡管樣本量差不多，我們的數(shù)據(jù)量級是遠遠超過他們的。而到現(xiàn)在，華大基因的數(shù)據(jù)量至少已經(jīng)翻倍了。

2001～2015年，基因數(shù)據(jù)產(chǎn)生是大型研究機構(gòu)推動的，2015年之后，研究機構(gòu)和企業(yè)有了很多基因檢測的應(yīng)用，從研究項目驅(qū)動轉(zhuǎn)為研究項目和應(yīng)用共同驅(qū)動，基因數(shù)據(jù)的積累速度肯定會加速的。

但隨著基因數(shù)據(jù)積累，讀懂基因這本天書的重要性和難點就凸顯出來了。

對于人類基因組，我們可能認識了不少單詞，粗略地理解了語法，但還完全不懂斷句，所以我們對整篇文章一無所知，我們對基因的了解還處在非常早期階段，我們可以從簡單的物種開始做起，比如最簡單的生命、病毒等，但依然有非常多的挑戰(zhàn)，但我認為，大數(shù)據(jù)和人工智能／機器學(xué)習(xí)將會為其帶來突破。

基因數(shù)據(jù)與其它數(shù)據(jù)有區(qū)別，獲取數(shù)據(jù)的成本比較高，同時數(shù)據(jù)量大。若用現(xiàn)在的技術(shù)，若要將基因數(shù)據(jù)讀得準確，需要讀很多份并組合起來，才能知道其排列，一般要讀30次，腫瘤研究中，有時候會測幾百次甚至幾千次。每個人的基因數(shù)據(jù)至少有100G的原始數(shù)據(jù)，如果把全中國人的基因數(shù)據(jù)全都讀出來，怎么存、怎么處理就是一個很大的問題。

我們知道了基因數(shù)據(jù)，也知道其最終的表現(xiàn)，隨著數(shù)據(jù)增多，我們就有可能理解基因數(shù)據(jù)，這其中會用到人工智能技術(shù)。但以我們目前處理信息和數(shù)據(jù)的能力，理解、解讀、歸納和總結(jié)基因數(shù)據(jù)的挑戰(zhàn)非常大。但如今人工智能技術(shù)有很大的突破，加上愈來愈便宜的數(shù)據(jù)產(chǎn)出，我們認為這件事未來是美好的。

科學(xué)發(fā)現(xiàn)推動了技術(shù)發(fā)明，技術(shù)發(fā)明帶動了產(chǎn)業(yè)發(fā)展，三個齒輪互相聯(lián)動，科學(xué)發(fā)現(xiàn)是核心。本質(zhì)上，我們要把科學(xué)問題轉(zhuǎn)化成技術(shù)問題，技術(shù)問題轉(zhuǎn)化為經(jīng)濟問題。馬斯克最近說到99%的科研論文都是沒用的，他表達的意思與此類似，科研只是進行了探索和驗證，最終還需要工程上的落地。

那華大做了什么呢？我們希望將單個基因讀取的成本降至極限，這意味著每個人有更大可能性獲取自己的基因數(shù)據(jù)，同時基因數(shù)據(jù)與個人的關(guān)系也會更大。同時，我們在云端做基因數(shù)據(jù)分析——即華大基因BGI平臺，希望把基因數(shù)據(jù)分析的成本降至極限，通過與阿里云合作，基因數(shù)據(jù)分析的成本已經(jīng)降至100元以內(nèi)了。

物理、數(shù)學(xué)中都有很多定理和公式，但生物學(xué)中沒有，希望隨著生命數(shù)據(jù)積累越來越多和分析技術(shù)的逐步提升，生命科學(xué)也能有一個核心公式。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。