Математики из Массачусетского технологического института предложили новый способ хранения и обработки данных о последовательностях ДНК. Он должен помочь справиться с наплывом данных от все большего числа прочитанных геномов. Работа с описанием нового алгоритма опубликована в журнале Nature Biotechnology, а ее краткое содержание можно прочитать на сайте института.

Алгоритм основан на том, что

последовательности ДНК между всеми организмами в той или иной степени схожи, а наибольший интерес для ученых представляют различия. Поэтому, по словам авторов, хранить и обрабатывать следует не сами последовательности, а их отличия друг от друга.

Если, например, поиск определенной последовательности в геноме некоторого организма уже проводился, то поиск той же последовательности в новом геноме следует проводить не по всей последовательности, а только в тех местах, где новый геном отличается от старого. Это позволяет существенно снизить время поиска последовательностей и нагрузку на вычислительные центры. Разница в длительности вычислений между старым и новым алгоритмом зависит от количества уже прочитанных геномов – чем их больше, чем труднее искать по-старому и тем очевиднее преимущества нового алгоритма.

Упор на поиск различий в близких геномах соответствует современному развитию биологии. С одной стороны, в последнее десятилетие резко уменьшается стоимость секвенирования. Из-за этого скорость роста данных о последовательностях ДНК уже превышает экспоненциальную. С другой стороны, по мере увеличения количества прочитанных геномов доля совершенно уникальных последовательностей уменьшается. Прочитанные геномы все больше походят друг на друга.

Например, в ближайшее время биоинформатики ожидают массового наплыва данных от проектов по секвенированию ДНК тысяч отдельно взятых людей, позвоночных, насекомых.