一种新型计算生物学工具可自动执行并标准化基因组测序分析

科学家只需一次实验，就能破译大量患者样本、动物模型或培养细胞的完整基因组。为了充分发挥这种前所未有的生物学研究规模的潜力，研究人员必须具备分析这些新方法产生的大量数据的能力。

桑福德·伯纳姆·普雷比斯医学发现研究所和加州大学洛杉矶分校的科学家于2026年3月17日在《细胞报告方法》（Cell Reports Methods）杂志上发表了一项研究成果，探讨了构建和测试一种用于处理海量复杂测序数据集的新型计算工具。这项名为metapipeline-DNA的新工具有望使不同研究实验室之间的测序数据分析更加标准化。   

单个人类基因组序列大约包含100GB的原始数据，大致相当于2万张智能手机照片。随着数十个甚至数百个基因组的加入，实验数据的规模还会显著增加。

过去10到15年间，用于生成此类数据的技术飞速发展，成本也越来越低，使用起来也越来越方便，许多实验室都开发了自己的分析软件，或者定制了由同行免费共享的开源工具。但其中一些资源只能在特定的超级计算机或云计算系统上运行。

这种碎片化的软件环境可能会使跨机构的合作变得复杂，当实验室迁移到新的机构或机构切换到新的计算解决方案时，会增加困难，并导致缺乏标准化，以及使用不同工具重现研究结果的挑战。       

“像 metapipeline-DNA 这样的基因组测序数据生物信息学流程旨在标准化所有这些数据的分析，以确保以统一且可重复的方式进行处理，”Sanford Burnham Prebys 的云和人工智能基础设施架构师、该研究的共同第一作者 Yash Patel 表示。

“我们的目标是实现质量控制、基因变异检测以及所有其他分析步骤的自动化，从而大大简化流程，使研究人员无需编写自己的代码来处理数据。”  

metapipeline-DNA 开发团队强调了该软件检测和恢复常见错误的能力。即使科学家使用功能强大的超级计算机集群来分析测序数据，运行失败也可能会耗费数天的计算时间，并延误新的发现。

“在设计软件时，我们专注于确保在流程运行之前，向用户展示的选择都经过充分验证，”桑福德·伯纳姆·普雷比斯国家癌症研究所指定癌症中心主任兼教授、数据科学高级副总裁保罗·布特罗斯博士（Paul Boutros, PhD, MBA）说道。

“在我们的实验室里，我们不希望因为可预防的配置错误而遭受挫折，我们也不希望任何使用我们流程的人遇到这种情况。”  

协作开发过程包括 43 位贡献者提交了 1,408 个拉取请求来增强底层代码，以及 46 位个人提交了 1,124 条建议、功能请求和/或问题报告。

为了提高 metapipeline-DNA 检测基因组变异位置的能力，科学家们与由美国商务部国家标准与技术研究院 (NIST) 牵头的“瓶中基因组联盟”(Genome in a Bottle Consortium)展开合作。通过整合这一公私合作、学术机构共同参与的联盟中经过严格验证的资源，研究人员在不降低工具识别真实基因变异精度的前提下，降低了假阳性率。

研究人员还制作了两个案例研究，展示了该流程在癌症研究方面的应用能力。他们使用 metapipeline-DNA 分析了来自五名患者的测序数据，这些患者均向泛癌全基因组分析数据集（Pan-Cancer Analysis of Whole Genomes）捐赠了正常组织和肿瘤样本；此外，他们还分析了来自癌症基因组图谱（TCGA）的另外五名患者的测序数据。

下一步是将 metapipeline-DNA 推广到更多实验室，以加速发现，并根据更多用户反馈继续改进该资源。

Patel表示：“该工具应该能够让实验室在无需具备大量计算或计算机基础设施背景知识，也无需针对其特定计算环境进行优化的情况下处理数据。”

此外，作者计划以此为基础，创建自动化的端到端解决方案，用于分析其他生物分子（如 RNA 和蛋白质）的测序。

“不同生物分子的工作流程可以共享 metapipeline-DNA 的架构、自动化和质量控制方法，因此对任何一个流程的改进都可以改进其他流程，”该论文的资深作者兼通讯作者 Boutros 说。

“我们很高兴能够扩展到其他数据密集型高通量测序技术，以继续提高我们实验室、桑福德·伯纳姆·普雷比斯研究所和整个研究界的发现速度和效率。”

参考文献

metapipeline-DNA: A Comprehensive Germline & Somatic Genomics Nextflow Pipeline