211service.com
Comment les centres de séquençage du génome stockent-ils de telles quantités de données ?
Le séquençage génomique est rapidement passé de quelque chose de possible uniquement à l'échelle d'un projet de recherche national à quelque chose qui peut être réalisé rapidement et même à moindre coût (voir Is It Really Only $1,000 to Sequence a Genome? ). La quantité d'ADN analysée aujourd'hui est stupéfiante, tout comme les besoins en stockage de données .
gigaoctets
Décoder les six milliards de bases ou lettres du génome humain n'est pas une tâche simple. L'équipement de séquençage génétique lit des morceaux d'ADN relativement petits à la fois et assemble progressivement suffisamment d'informations qui se chevauchent pour construire une lecture complète du génome. Ce premier cycle de capture de données capture de grandes quantités d'informations brutes, l'équivalent de millions d'images brutes, générant des téraoctets de données.
Au début du séquençage, toutes ces données brutes étaient conservées, mais un équipement plus récent vide les données d'imagerie brutes après traitement et génère un fichier compressé qui représente le génome en environ 100 gigaoctets. Ce fichier contient un suréchantillonnage important du génome - souvent d'un facteur d'au moins 30 - pour s'assurer qu'il y a suffisamment d'informations fiables, explique Ilya Chorny, responsable de marché au sein de l'unité informatique d'entreprise d'Illumina, l'un des principaux fabricants d'équipements de séquençage génétique. .
Une sorte de précis dépouillé d'environ un gigaoctet peut être utilisé dans certains cas, mais cela entraîne un degré de confiance moindre dans l'exactitude. Michael Schatz, professeur agrégé de biologie quantitative au Cold Spring Harbor Laboratory, affirme que 100 gigaoctets sont une bonne référence pour projeter les besoins de stockage de n'importe quel génome humain au cours de la prochaine décennie.
Compte tenu du faible coût du stockage des données, il peut sembler que le besoin en croissance rapide ne devrait pas être un problème pour les centres de génomique. Considérez qu'un lecteur de quatre téraoctets conçu pour être suffisamment fiable pour les entreprises peut coûter aussi peu que 130 $. Quatre téraoctets représentent 4 000 gigaoctets, soit suffisamment pour contenir 40 génomes, ce qui signifie que chacun utiliserait environ 3 $ de capacité de stockage plus un peu plus pour une sauvegarde hors ligne redondante.
Mais de nombreuses institutions génèrent désormais des centaines de téraoctets de données par mois et doivent les stocker sous une forme facilement accessible dans le monde entier. Illumina propose un tel service de stockage en nuage, mais la concurrence est de plus en plus forte. Fin 2014, Google Genomics a commencé à proposer de stocker des données génomiques pour 2,2 cents par gigaoctet par mois, ce qui équivaut à 26 dollars par an pour 100 gigaoctets. Amazon Web Services propose également des services de génomique. Il ne publie pas de liste de prix publique ; ses frais de stockage standard seraient d'environ 35 $ par an pour 100 gigaoctets.
Futur choc
Les demandes de données deviendront encore plus intenses. Alors que l'ADN présent dans chaque cellule était à l'origine considéré comme un modèle cohérent pour l'ensemble de la créature, ce n'est certainement pas vrai, dit Schatz. La recherche génétique a trouvé une grande variation entre les différentes cellules d'une même personne ou d'un autre organisme. Cela pourrait signifier que plus d'une instance du génome d'une personne devra être stockée. Ces données supplémentaires pourraient se prêter à une compression substantielle, car seules les différences entre l'ADN dans diverses cellules pourraient devoir être stockées plutôt que les génomes dans leur ensemble. Mais la compression augmente la charge de calcul lorsque les données doivent être consultées et analysées ; si le stockage est moins cher que les calculs requis, il peut être judicieux de conserver les données disponibles de manière moins efficace.
Schatz et neuf collègues de l'Université de l'Illinois à Urbana-Champaign ont publié un article en juillet qui tentait de comprendre les besoins de stockage à venir pour le séquençage. À mesure que la technologie s'améliore et devient moins chère, ils estiment qu'entre 100 millions et deux milliards de génomes humains seront stockés d'ici 2025. Cette croissance dépasse le rythme des besoins en données pour d'autres utilisateurs de stockage massifs et croissants, y compris YouTube en particulier, et l'astronomie comme un ensemble.
Merci à Nidhan Biswas pour cette question. Si vous en avez un, envoyez-le à [email protected]