生物工程和大數(shù)據(jù)

什么是大數(shù)據(jù) 大數(shù)據(jù)技術(shù)(big data)，或稱巨量資料，指的是所涉及的資料量規(guī)模巨大到無法通過目前主流軟件工具，在合理時間內(nèi)達(dá)到擷取、管理、處理、并整理成為幫助企業(yè)經(jīng)營決策更積極目的的資訊。（在維克托邁爾-舍恩伯格及肯尼斯庫克耶編寫的大數(shù)據(jù)時代中2 大數(shù)據(jù)指不用隨機(jī)分析法（抽樣調(diào)查）這樣的捷徑，而采用所有數(shù)據(jù)進(jìn)行分析處理。大數(shù)據(jù)的4V特點：Volume（大量）、Velocity（高速）、Variety（多樣）、value（價值）。 大數(shù)據(jù)的4個“V”，或者說特點有四個層面：第一，數(shù)據(jù)體量巨大。從TB級別，躍升到PB級別；第二，數(shù)據(jù)類型繁多。前文提到的網(wǎng)絡(luò)日志、視頻、圖片、地理位置信息等等。第三，處理速度快，1秒定律，可從各種類型的數(shù)據(jù)中快速獲得高價值的信息，這一點也是和傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)有著本質(zhì)的不同。第四，只要合理利用數(shù)據(jù)并對其進(jìn)行正確、準(zhǔn)確的分析，將會帶來很高的價值回報。業(yè)界將其歸納為4個“V”Volume（大量）、Variety（多樣）、Velocity（高速）、Value（價值）。生物大數(shù)據(jù)“大數(shù)據(jù)”一詞最初起源于互聯(lián)網(wǎng)和IT行業(yè)，然而隨著“人類基因組計劃”的完成，帶動了生物行業(yè)的一次革命，高通量測序技術(shù)得到快速發(fā)展，使得生命科學(xué)研究獲得了強(qiáng)大的數(shù)據(jù)產(chǎn)出能力，包括基因組學(xué)、轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué)、代謝組學(xué)等生物學(xué)數(shù)據(jù)，這些數(shù)據(jù)具有數(shù)據(jù)量大（Volume）、數(shù)據(jù)多樣化（Variety）、有價值（Value）、高速（Velocity）等特點。生物大數(shù)據(jù)不僅帶有“大數(shù)據(jù)”的特點，而且具有生物數(shù)據(jù)自身的特性，下面將結(jié)合大數(shù)據(jù)的“4V”特點一一具體闡釋：1、數(shù)據(jù)量大：上個世紀(jì)末進(jìn)行的“人類基因組計劃”是由6個國家花費30億美元10幾年的時間才得以完成，如今，只需花費幾千美元幾個小時即可完成一個人基因組的解析。如此低廉高效的研究方式得到生物科學(xué)家們的青睞，大量的物種得以測序解析，使得生物研究家們進(jìn)入的生物數(shù)據(jù)的海洋。據(jù)不完全統(tǒng)計，截止到2013年6月，深圳華大基因研究院僅原始的測序相關(guān)的數(shù)據(jù)量就達(dá)到12PB，并且以每月60TB的速度增長，預(yù)計未來幾年內(nèi)每月的原始數(shù)據(jù)增量會超過2PB。2、數(shù)據(jù)多樣化：由于測序儀器種類繁多（比如常見的高通量測序儀器CG測序儀、illumina hiseq、Roche 454、Ion Torrent等），產(chǎn)生的數(shù)據(jù)格式也各不相同。同時，利用不同的生物信息分析軟件或分析流程處理得到的結(jié)果也是千差萬別。3、價值高：隨著生物信息學(xué)的發(fā)展，越來越多有價值的信息從生物數(shù)據(jù)中挖掘出來，這些價值不僅體現(xiàn)在其在生物科研領(lǐng)域，而且已應(yīng)用于農(nóng)業(yè)、健康和醫(yī)學(xué)等領(lǐng)域。4、高速：這主要體現(xiàn)在數(shù)據(jù)的急劇增長速度，不僅體現(xiàn)在數(shù)據(jù)的量上，而且在數(shù)據(jù)的多樣化和價值上。應(yīng)用編輯“十一五”以來，國務(wù)院批準(zhǔn)發(fā)布促進(jìn)生物產(chǎn)業(yè)加快發(fā)展的若干政策和生物產(chǎn)業(yè)發(fā)展“十一五”規(guī)劃，大力推進(jìn)生物技術(shù)研發(fā)和創(chuàng)新成果轉(zhuǎn)化。生物大數(shù)據(jù)本身好比一塊有待開發(fā)的土地資源，我們基于大數(shù)據(jù)的“4V”特點，推進(jìn)其在醫(yī)療健康、農(nóng)業(yè)和食品等領(lǐng)域的快速應(yīng)用1 ，比如基因檢測、優(yōu)良農(nóng)作物品種培育等。中國生物技術(shù)發(fā)展中心調(diào)研生物大數(shù)據(jù)發(fā)展情況 為應(yīng)對大數(shù)據(jù)時代帶來的挑戰(zhàn)，了解大數(shù)據(jù)技術(shù)發(fā)展態(tài)勢以及對未來我國生物技術(shù)領(lǐng)域的科研能力、公共管理和產(chǎn)業(yè)競爭力方面的影響，探討應(yīng)對措施，生物中心肖詩鷹副主任于2014年5月6-7日帶隊到復(fù)旦大學(xué)、浙江大學(xué)進(jìn)行了調(diào)研。 在復(fù)旦大學(xué)、浙江大學(xué)科研管理部門的支持配合下，召開了題為“大數(shù)據(jù)對我國生物技術(shù)發(fā)展的挑戰(zhàn)”的研討會，來自復(fù)旦大學(xué)、浙江大學(xué)、同濟(jì)大學(xué)、中科院上海生命科學(xué)研究院、中科院計算生物學(xué)研究所、浙江大學(xué)第一附屬醫(yī)院以及上海張江轉(zhuǎn)化醫(yī)學(xué)研發(fā)中心等單位的有關(guān)專家，圍繞大數(shù)據(jù)對我國生物技術(shù)發(fā)展的挑戰(zhàn)，進(jìn)行了交流討論。 浙江大學(xué)李蘭娟院士認(rèn)為，當(dāng)前生物領(lǐng)域存在“課題越多，數(shù)據(jù)孤島越多，資源浪費越大”的問題，迫切需要國家在生物大數(shù)據(jù)領(lǐng)域開展頂層設(shè)計。復(fù)旦大學(xué)金力院士認(rèn)為，生物大數(shù)據(jù)在國際和國內(nèi)都是一個新興學(xué)科，未來如何發(fā)展尚不十分明朗，我們應(yīng)從國家今后發(fā)展需求上，做好態(tài)勢分析，特別針對我國生物資源的優(yōu)勢、資源安全以及交叉學(xué)科發(fā)展方面思考，如何推動這個領(lǐng)域的發(fā)展，使之滿足國家需求并力爭國際領(lǐng)先。 與會有關(guān)專家分別從生命科學(xué)、醫(yī)學(xué)、信息學(xué)、數(shù)學(xué)、藥學(xué)等不同研究領(lǐng)域介紹了國際大數(shù)據(jù)技術(shù)的發(fā)展?fàn)顩r及相關(guān)研究進(jìn)展，并對未來我國發(fā)展生物大數(shù)據(jù)的研究重點、研究方向以及存在問題進(jìn)行了深入研討。 此次調(diào)研為生物中心做好生物大數(shù)據(jù)領(lǐng)域的戰(zhàn)略研究提供了很好的基礎(chǔ)，并為“十三五”生物領(lǐng)域開展大數(shù)據(jù)研究提出了很多有建設(shè)性的意見建議。把大數(shù)據(jù)與基因測試結(jié)合起來，雖然還是存在爭議，但是已經(jīng)有一家生物技術(shù)公司 Recombine 做到了，而且極大地降低了基因測試的成本。我們可以預(yù)想，互聯(lián)網(wǎng)與生物技術(shù)的結(jié)合會產(chǎn)生越來越多的初創(chuàng)企業(yè)應(yīng)用關(guān)于“秤砣爸爸”說的兩個公司，我都不熟悉。僅就自己對生物大數(shù)據(jù)產(chǎn)業(yè)的理解，看看這個問題的走向，對這個問題說說我的看法：個人覺得，生物大數(shù)據(jù)的產(chǎn)業(yè)鏈條起碼分三個層次，其核心是大數(shù)據(jù)的收集、組織和存貯，這部分需要大量的資源，創(chuàng)新公司沒有能力在初期有這個實力，也就是只有華大這樣的“巨無霸”才行；外層應(yīng)該是大量的應(yīng)用層開發(fā)公司，現(xiàn)在這樣的小型公司越來越多，主要依賴自己熟悉的生物技術(shù)對市場提供服務(wù)，對象可以是科研單位、企業(yè)（如藥廠）或個人；中間層是生物信息云的生存空間，它需要提供上到數(shù)據(jù)中心，下到應(yīng)用層的接口，實現(xiàn)數(shù)據(jù)層和應(yīng)用層的控制分離（有點象MVC但不相同），實現(xiàn)數(shù)據(jù)分布計算和存貯的自動化，提供數(shù)據(jù)可視化接口。為什么產(chǎn)業(yè)的將來會是這個結(jié)構(gòu)呢？1， 大數(shù)據(jù)的共享是趨勢。數(shù)據(jù)擁有量越大的公司其數(shù)據(jù)量增長會越快，（這是類比富人越富的無標(biāo)度網(wǎng)絡(luò)的特性決定的，是自由市場條件下的公理），數(shù)據(jù)會被壟斷；而新生的數(shù)據(jù)公司除非有足夠多的資源來占有數(shù)據(jù)，在自有的數(shù)據(jù)資源上建立起大數(shù)據(jù)應(yīng)用是不可能的。但是，由于數(shù)據(jù)中的價值一旦被解讀大數(shù)據(jù)的這部分價值就失效，所以大數(shù)據(jù)的擁有者（大企業(yè)或政府），為了實現(xiàn)在競爭中早日兌現(xiàn)價值，必然會盡快數(shù)據(jù)共享，提供給新的創(chuàng)新小公司。數(shù)據(jù)孤島會因為競爭而逐漸消失。2， 單一公司的包含所有全部數(shù)據(jù)流水線的生產(chǎn)方式落后于時代?，F(xiàn)在無論是華大還是到小的服務(wù)公司，應(yīng)該都是把IT應(yīng)用從HPC或共有云上虛擬機(jī)上從頭開發(fā)，分布和平行與業(yè)務(wù)邏輯沒有完全實現(xiàn)隔離，由于大數(shù)據(jù)分布并行和生物信息的學(xué)科特點差異較大，在各方面方法日新月異的今天，人員培訓(xùn)和維護(hù)開發(fā)成本會越來越高。由上面兩點看，產(chǎn)業(yè)鏈會逐漸層次化。生物信息云是在夾縫中生存的，其是否能成功的關(guān)鍵是對外API的設(shè)計，符合生物數(shù)據(jù)的特點，不是簡單的鍵值對結(jié)構(gòu)能描述以序列為代表的生物數(shù)據(jù)，這樣的技術(shù)背景，應(yīng)該只有以大數(shù)據(jù)背景