«Eine Suchmaschine für DNA»

In Patient:innen lassen sich seltene Erbkrankheiten, in Tumorzellen besondere Mutationen erkennen ¨C die Sequenzierung von DNA hat die biomedizinische Forschung bereits vor Jahrzehnten revolutioniert. Vor allem neue Sequenzierungsmethoden (Next-Generation-Sequencing) f¨¹hrten in den letzten Jahren zu zahlreichen wissenschaftlichen Durchbr¨¹chen. Sie erm?glichten beispielsweise 2020/2021 die rasche Entschl¨¹sselung und weltweite ?berwachung des SARS-CoV-2-Genoms.

Immer mehr Forschende stellen die Ergebnisse sequenzierter DNA ?ffentlich zur Verf¨¹gung. So sind unterdessen riesige Mengen an Daten entstanden, die in zentralen Datenbanken wie dem amerikanischen SRA (Sequence Read Archive) oder dem europ?ischen ENA (European Nucleotide Archive) abgespeichert sind. Gegen 100 Petabyte an Daten sind dort aufbewahrt ¨C ungef?hr gleich viel wie der gesamte Text im Internet. Ein Petabyte entspricht einer Million Gigabyte.

Um diese Menge an DNA-Sequenzen zu durchsuchen und mit eigenen Sequenzen abzugleichen, ben?tigen Biomediziner:innen bislang viel Rechenleistung und andere Ressourcen. So wird die effiziente Suche im Datenberg zu einer schieren Unm?glichkeit. Dieses Problem haben Computerwissenschaftler der ETH Z¨¹rich nun gel?st.

Volltextsuche statt Download ganzer Datens?tze

Sie haben ein Verfahren entwickelt, welches diese Suche stark verk¨¹rzt und erleichtert. Das digitale Tool ?MetaGraph? durchsucht die Rohdaten aller in den Datenbanken gespeicherten DNA- oder RNA-Sequenzen ¨C ganz wie eine herk?mmliche Internet-Suchmaschine. Forschende k?nnen eine Sequenz, die sie interessiert, als Volltext in eine Suchmaske eingeben, worauf sie je nach Anfrage innerhalb von Sekunden oder Minuten erfahren, wo diese bereits aufgetaucht ist.

?Es handelt sich um eine Art Google f¨¹r DNA?, fasst Professor Gunnar R?tsch, Datenwissenschaftler am Institut f¨¹r Informatik an der ETH, zusammen. Bis anhin mussten Forschende die Datenbanken nach beschreibenden Metadaten durchsuchen. Um an die Rohdaten zu gelangen, mussten sie die jeweiligen Datens?tze herunterladen. Die Suche war l¨¹ckenhaft, aufw?ndig und teuer.

?MetaGraph? sei vergleichsweise g¨¹nstig, wie die Forscher in ihrer Studie schreiben. Die Darstellung aller ?ffentlichen biologischen Sequenzen w¨¹rde auf wenige Computer-Festplatten passen. Gr?ssere Abfragen d¨¹rften nicht mehr als 0,74 Dollar pro Megabase kosten.

Die von den ETH-Forschern entwickelte DNA-Suchmaschine ist zudem sowohl pr?zise als auch effizient und kann so helfen, die Genforschung zu beschleunigen ¨C dies etwa bei wenig erforschten Erregern oder neuen Pandemien. So k?nnte das Tool zum Katalysator in der Forschung zu Antibiotika-Resistenzen werden: Etwa indem in den Datenbanken Resistenzgene oder n¨¹tzliche Viren, die Bakterien vertilgen k?nnen - sogenannte Bakteriophagen - identifiziert werden.

Komprimierung um das 300-fache

In der am 8. Oktober im Fachmagazin ?Nature? erschienenen Studie zeigen die ETH-Forscher auf, wie ?MetaGraph? funktioniert: Das Tool indiziert die Daten und stellt sie komprimiert dar. Das gelingt dank komplexen mathematischen Graphen, die f¨¹r eine bessere Struktur der Daten sorgen ¨C ?hnlich einem Tabellenprogramm wie Excel. ?Mathematisch gesehen handelt es sich um eine riesige Matrix mit Millionen von Spalten und Billionen von Zeilen?, sagt R?tsch.

Die Idee, grosse Datenmengen mit Hilfe von Indizes durchsuchbar zu machen, ist in der Computer Science-Forschung Standard. Neu an der Arbeit der ETH-Forscher ist aber die komplexe Verkn¨¹pfung von Roh- und Metadaten sowie die Komprimierung um etwa das 300-fache, ?hnlich wie bei einer Zusammenfassung eines Buches: Sie enth?lt nicht mehr jedes Wort, aber alle wichtigen Handlungsstr?nge und Zusammenh?nge bleiben erhalten ¨C kompakter, aber ohne relevanten Informationsverlust.

?Wir bewegen uns damit am Limit dessen, was m?glich ist, um die Datens?tze so klein wie m?glich zu halten, ohne notwendige Informationen zu verlieren?, sagt Dr. Andr¨¦ Kahles, der wie R?tsch der Biomedical Informatics Group der ETH angeh?rt. Im Unterschied zu anderen DNA-Suchmasken, die derzeit erforscht werden, ist der Ansatz der ETH-Forscher skalierbar. Das heisst: Je gr?sser die abgefragte Datenmenge, desto weniger zus?tzlichen Rechenaufwand ben?tigt das Tool.

H?lfte der Daten schon verf¨¹gbar

Die ETH-Forscher haben ?MetaGraph? erstmals im Jahr 2020 vorgestellt und seither laufend verbessert. Das Tool steht bereits heute f¨¹r Abfragen zur Verf¨¹gung . Es bietet eine Volltext-Suchmaske f¨¹r Millionen von Sequenzs?tzen aus DNA und RNA sowie Proteinen von Viren, Bakterien, Pilzen, Pflanzen, Tieren und Menschen. Zurzeit ist knapp die H?lfte der weltweit verf¨¹gbaren Sequenz-Datens?tze indexiert. Der Rest soll gem?ss Gunnar R?tsch bis Ende des Jahres folgen. ?MetaGraph? steht Open Source zur Verf¨¹gung und k?nnte darum etwa auch f¨¹r Pharmafirmen interessant sein, die ¨¹ber grosse Mengen an internen Forschungsdaten verf¨¹gen.

Kahles h?lt es sogar f¨¹r m?glich, dass die DNA-Suchmaschine dereinst auch von Privatpersonen angewendet wird: ?In den Anf?ngen wusste man auch bei Google noch nicht genau, wof¨¹r eine Suchmaschine gut sein soll. Wenn die rasante Entwicklung, in der in der DNA-Sequenzierung so weitergeht, wird es vielleicht ¨¹blich, seine Balkonpflanzen genauer zu bestimmen.?