基因界谷歌 | 中国人自己的生命大数据平台，来了！

编者按

5 月 27 日，生命大数据高峰论坛暨第四届基因组云计算技术开发者峰会（GCTA 4）在贵阳隆重举行。作为 2019 数博会的重要组成部分，会议聚焦“阅读、管理、理解、计算生命大数据”，分享前沿学术报告，解读最新政策及行业动态，为生命大数据的研究与应用再添新动力。

围绕如何搭建生命应用大平台，魏晓锋分享了国家基因库生命大数据平台（CNGBdb）的设计思路及服务优势，并展示了 CNGBdb 在助力生命大数据研究与应用方面取得的成果。以下是内容详情。

生命大数据，挖掘种质资源

生命就是大数据，其载体可能是动物、植物，也有可能是细胞，甚至磁盘或磁带。这里涉及一个关键词：种质（编者注：种质是指生物体亲代传递给子代的遗传物质，往往存在于特定品种之中。 如古老的地方品种、新培育的推广品种、重要的遗传材料以及野生近缘植物，都属于种质资源的范围）。

哪些种质的应用对经济有较大价值？中国的种质资源丰富到什么程度？对于丰富的种质资源，应该如何做好信息存储？

另外，每个人都是一个行走的大数据库。每个人从受精卵成长及至衰老，整个身体里动态维持着 40 多万亿细胞，每个细胞里都有 23 对染色体。IT 领域经常提到一个词叫量级，提升一个量级需要经常更新方法。而在 BT 领域的难题是，我们每个人有 3G 的基因组数据，通过测序分析会产生数百 GB 甚至 1TB 以上的数据。海量数据对平台和方法有更严苛的要求。

搭建数据组织的顶层设计

面对庞杂的数据，CNGBdb 团队把自身的数据和公开的信息进行了整合。那么，如何在上层构建一个新的载体以组织连接？魏晓锋认为，在这个平台上，需要做三件事情：数据、系统、网络。

具体到数据。CNGBdb 构建了一个数据仓库，整合了内外部的数据，建立标准流程，所有的数据都以节点的形式来承载。

此外还有数据挖掘。整个平台被分成数据层、平台层、应用层。未来，用户如需创建数据应用，只需一个按钮，就能像做选择题一样选择相关模块。

对应到网络，作为一个平台，并不是一个孤独的数据点。CNGBdb 整合了全球的公开生命数据资源，覆盖母婴健康、肿瘤、动植物多样性、病原微生物等十几个研究领域，形成一个超大型的科研数据系统。

CNGBdb，打造基因界的谷歌

CNGBdb 的主页界面

魏晓锋介绍，CNGBdb 目前已经建立覆盖健康与疾病、生物多样性、微生物等领域的十大专有数据库，专精专用；支撑数十篇科研成果发表，被《Cell》《Nature Genetics 》《Nucleic Acids Research》等国际期刊引用；并通过样本信息共享平台（E-BioBank）对外共享相关信息，而且配有对应的标本照片。

可以说，CNGBdb 以统一门户的形式，为用户一站式解决搜、存、算、用全部需求，且对用户免费开放，努力打造“基因界的谷歌”。

CNGBdb 一站式解决搜、存、算、用全部需求

此外，依托国家基因库对生物数据的“存”、“读”、“写”联动，CNGBdb 将样本元数据与生物样本甚至活体信息相关联，因此数据可以在“生物活体——生物样本——生物信息数据”全过程中进行追溯，实现综合数据的全贯穿。

魏晓锋称，从开始的“载体”到“连接”，再到最后以“平台”的形式展示，CNGBdb 作为一个对外的窗口，展示了数据的可能性。另外，就服务体验而言，CNGBdb 更希望做成一本字典，让所有人通过这个字典都可以方便快捷地了解到更多更丰富的信息。

未来，CNGBdb 将持续促进生命大数据的共享与利用，使生物信息数据在生命科学与生物产业发展中创造更大价值。