生物質大數據

『壹』 大數據常見的應用場景有哪些

大數據時代的出現簡單的講是海量數據同完美計算能力結合的結果，確切的說是移動互聯網、物聯網產生了海量的數據，大數據計算技術完美地解決了海量數據的收集、存儲、計算、分析的問題。
對於大數據的應用場景，包括各行各業對大數據處理和分析的應用，最核心的還是用戶需求。
一、醫療大數據看病更高效
除了較早前就開始利用大數據的互聯網公司，醫療行業是讓大數據分析最先發揚光大的傳統行業之一。
二、生物大數據改良基因
當下，我們所說的生物大數據技術主要是指大數據技術在基因分析上的應用，通過大數據平台人類可以將自身和生物體基因分析的結果進行記錄和存儲，利用建立基於大數據技術的基因資料庫。
三、金融大數據理財利器
大數據在金融行業的應用可以總結為以下五個方面：精準營銷、風險管控、決策支持、效率提升、產品設計等。
四、零售大數據最懂消費者
零售行業大數據應用有兩個層面，一個層面是零售行業可以了解客戶消費喜好和趨勢，進行商品的精準營銷，降低營銷成本。另一層面是依據客戶購買產品，為客戶提供可能購買的其它產品，擴大銷售額，也屬於精準營銷范疇。另外零售行業可以通過大數據掌握未來消費趨勢，有利於熱銷商品的進貨管理和過季商品的處理。
五、電商大數據精準營銷法寶
電商是最早利用大數據進行精準營銷的行業，除了精準營銷，電商可以依據客戶消費習慣來提前為客戶備貨，並利用便利店作為貨物中轉點，在客戶下單15分鍾內將貨物送上門，提高客戶體驗。
六、農牧大數據量化生產
大數據在農業應用主要是指依據未來商業需求的預測來進行農牧產品生產，降低菜賤傷農的概率。同時大數據的分析將會更見精確預測未來的天氣氣候，幫助農牧民做好自然災害的預防工作。大數據同時也會幫助農民依據消費者消費習慣決定來增加哪些品種的種植，減少哪些品種農作物的生產，提高單位種植面積的產值，同時有助於快速銷售農產品，完成資金迴流。
七、交通大數據暢通出行
交通作為人類行為的重要組成和重要條件之一，對於大數據的感知也是最急迫的。
盡管現在已經基本實現了數字化，但是數字化和數據化還根本不是一回事，只是局部的提高了採集、存儲和應用的效率，本質上並沒有太大的改變。而大數據時代的到來必然帶來破解難題的重大機遇。
八、教育大數據因材施教
隨著技術的發展，信息技術已在教育領域有了越來越廣泛的應用。考試、課堂、師生互動、校園設備使用、家校關系……只要技術達到的地方，各個環節都被數據包裹。在課堂上，數據不僅可以幫助改善教育教學，在重大教育決策制定和教育改革方面，大數據更有用武之地。
九、體育大數據奪冠精靈
大數據對於體育的改變可以說是方方面面，從運動員本身來講，可穿戴設備收集的數據可以讓自己更了解身體狀況。媒體評論員，通過大數據提供的數據更好的解說比賽，分析比賽。數據已經通過大數據分析轉化成了洞察力，為體育競技中的勝利增加籌碼，也為身處世界各地的體育愛好者隨時隨地觀賞比賽提供了個性化的體驗。盡管鮮有職業網球選手願意公開承認自己利用大數據來制定比賽策劃和戰術，但幾乎每一個球員都會在比賽前後使用大數據服務。
十、環保大數據對抗PM2.5
氣象對社會的影響涉及到方方面面。傳統上依賴氣象的主要是農業、林業和水運等行業部門，而如今，氣象儼然成為了二十一世紀社會發展的資源，並支持定製化服務滿足各行各業用戶需要。藉助於大數據技術，天氣預報的准確性和實效性將會大大提高，預報的及時性將會大大提升，同時對於重大自然災害，例如龍卷風，通過大數據計算平台，人們將會更加精確地了解其運動軌跡和危害的等級，有利於幫助人們提高應對自然災害的能力。
十一、食品大數據舌尖上的安全
大數據不僅能帶來商業價值，亦能產生社會價值。隨著信息技術的發展，食品監管也面臨著眾多的各種類型的海量數據，如何從中提取有效數據成為關鍵所在。可見，大數據管理是一項巨大挑戰，一方面要及時提取數據以滿足食品安全監管需求；另一方面需在數據的潛在價值與個人隱私之間進行平衡。相信大數據管理在食品監管方面的應用，可以為食品安全撐起一把有力的保護傘。
十二、調控和財政支出大數據令其有條不紊
政府利用大數據技術可以了解各地區的經濟發展情況，各產業發展情況，消費支出和產品銷售情況，依據數據分析結果，科學地制定宏觀政策，平衡各產業發展，避免產能過剩，有效利用自然資源和社會資源，提高社會生產效率。
十三、輿情監控大數據
國家正在將大數據技術用於輿情監控，其收集到的數據除了解民眾訴求，降低群體事件之外，還可以用於犯罪管理。

『貳』 生物大數據是做什麼的

生物大數據實際上也就是通過分析一些大數據應用與一些高端的生物技術，只有通過大數據的分析比如核酸基因庫才能檢測一些基因系列。

『叄』 怎樣從海量生物數據中產生大的可視圖片

生命是如此的復雜，以至於幾乎每一位生物學家都只能在一個很小的領域進行探索。盡管在每一個領域都產生了大量的描述性的數據。但是科學家能夠從這些海量的數據中得出一個整體的概念，例如生物是如何運作的？系統生物學這門正在形成的學科為回答這些問題提供了一些希望。它試圖把生物學的各個分支聯系起來，利用數學、工程和計算機科學的方法讓生物學更加量化。不過，現在還沒有人知道這些方法是否能夠最終讓科學家理解生物運作的整體圖景。

參與遺傳信息加工的蛋白酶在早期的吸水過程中上升特別快，在萌發開始後的30小時達到最高點。這些結果為擬南芥種子萌發過程中的蛋白組學等研究提供了重要的物質基礎。 非編碼序列，特別是內含子的起源，是一個重要的懸而未決的問題。

『肆』 如何看待大數據基因的問題

21世紀初，人類基因組計劃(HGP)發布了第一張人類基因草圖，人的基因組約有30億個鹼基對，意味著每一個人的基因組有3Gb以上的數據。該計劃曾與上世紀的曼哈頓計劃(原子彈製造)、阿波羅登月計劃並稱為三大科學計劃，為本世紀的一個里程碑式的科學工程。
15年過去了，基因組測序技術發展之快已經超乎人們的想像。十年前，這項技術還只是實驗室中一個「迷人」但又昂貴的研究工具。現在，它卻已經漸漸步入醫療界，成為一種略顯「尖端」的診斷技術。該技術也引領生物醫學領域進入大數據時代。
早前，曾有人預言，當個人基因組測序費用下降到1000美元時，就標志著我們的醫學將進入個體化醫療(Personalized Medicine)的時代。現在，這個目標已基本達到，隨著這項技術的迅猛發展和成本的扁平化，它已經開始給我們帶來了龐大的數據，包括基因組、蛋白組等各類組學(omics)的出現，也帶來了不少數據。
1. 海量數據的產生
剛過去的七八年間，我們儲存的個人基因組數據量已達到106規模，這個數量如此驚人，且這只是剛剛開始。每年Illumina公司的HiSeq X 10測序儀已經可以完成超過18000人的基因組測序工作，該測序系統已分布在全球頂尖測序中心，每天產生大量的數據。英國2014年也啟動了「十萬人基因組計劃」，美國和中國則宣布要完成多達一百萬人的基因組數據收集工作。
基因測序數據正在以更快的速度翻倍。2015年以後，以歷史累積的測序數據來看，每7個月就能翻一番， Illumina儀器測序所得的數據，每12個月就能翻一番；如果僅以摩爾定律來看，每18個月數據量就能翻一番。這種情況將帶來一個巨大的「數據黑洞」。圖片來自nature.com
以上所提及的，只是大數據時代下的一個縮影，現在面臨的還有其他數據。比如，伴隨基因組計劃的發展，人類蛋白組計劃和基因測序結果在醫療界的應用等也被逐步提出，它們也正在給大數據「添磚加瓦」。所謂人類蛋白組計劃，主要目的在於研究所有人類基因編碼產生的蛋白質。關於這個，我們來看一個研究者的故事。
美國斯坦福大學邁克爾?斯奈德(Michael Snyder)。
邁克爾·斯奈德(Michael Snyder)是美國斯坦福大學的一名分子遺傳學家。當他抱著好奇的心態測了自己的基因組後，得到了一些「驚喜」。他發現，自己是一名II型糖尿病易感基因的攜帶者，盡管在這之前，他並沒在自己身上發現任何此類疾病的風險因素，包括肥胖、家族病史等等。在接下來的14個月，斯奈德持續監控了自己體內相應RNA的活性和蛋白表達情況。在一次感染呼吸道病毒後，他發現自己體內的蛋白表達發生了變化，並且有相應的生物學通路被激活。接著，他被診斷出了糖尿病。看起來，這場病就是由這次病毒感染所觸發的。此後，他還在患上萊姆關節炎時，也監控了自己體內的蛋白表達變化。這時，他的研究已經產生了多達50Gb的數據，這還僅僅只是關於他個人的研究數據。當他將這項研究擴展至100個人時，並將研究目標擴展至13類「組學」(包括蛋白組、腸道菌群的轉錄組等等)，而實際上，按照他的計劃，要想真正做到預測疾病，還需要將研究對象增加至上百萬個病人。如此這樣，它將會帶來多大的數據量？
各種電子設備的普及以及健康數據記錄App的出現，給這個時代帶來了海量的數據，也給醫學界帶來了可觀的研究對象。過去的幾十年間，醫生如果要觀察病人的心血管健康情況，往往會給他們做這么一個小測試：讓他們在一段平緩、穩固的路上行走6分鍾，並記錄他們的行走距離。這個測試不僅可用於預測肺移植者的存活率，還可用於檢測肌肉萎縮的病程發展，甚至可以評估心血管患者的健康狀況。這種小測試已被運用於多項醫療研究中，但在過去，最大規模的醫療研究項目中，這種參與者也很少能達到一千人。
智能手機中健康類App的出現，從而能讓研究者獲取大量人群的數據。圖片來自nature.com
不過，這個情況近年來發生了很大的變化。在2015年3月進行的一項心血管研究中，研究者尤安·阿什利(Euan Ashley)在兩周時間內就拿到了6000個人的測試結果，這就得益於現在有數百萬計的人擁有智能手機和健身追蹤器。到了6月份，參與到這項研究中的人數達到了40000人，這僅僅依靠的是一款叫做「我的心臟計數」(My Health Counts，見上圖)的蘋果應用。有了這個應用軟體，阿什利甚至可以招募來自全球的參與者，獲取他們的測試結果。那樣的話，他得到的數據又將是多少？面對這個現狀，不少研究者表示，這些海量數據可能會淹沒現有的分析渠道，並對數據存儲提出前所未有的「高」要求。
2. 「大數據」時代下的挑戰
在群體基因組研究的浪潮下，雖然更多的人關注的僅僅只是整個基因組中的外顯子部分，即基因組中可編碼產生蛋白的部分，它佔到了整個基因組的1-5%，這能夠將需要分析的數據量減少到原來的1%。但即使在這種情況下，每年產出的數據量仍可達4000萬Gb。這就帶來了第一個難題，如何存儲這么大的數據量？
盡管這還只是這個領域最基本的問題，仍需要巨大的資源來解決。這就是近年來網路上最常出現的一個詞——雲(Cloud)出現的契機所在。這么大的數據量，必然無法僅僅保存在固定的設備上，需要藉助互聯網來實現，也即是所謂的「雲存儲」。此外，這些數據帶來的處理危機也是巨大的，電腦處理能力也將局限著它們的應用。這個問題的初步解決依然要依靠「雲」，也就是現在所謂的「雲計算」。
即使處理好了海量數據的存儲問題，我們還將迎來另一個更讓人頭痛的問題——這些數據說明了什麼？現在關於基因組學的臨床研究，往往聚焦於識別個人基因組中可擾亂基因功能的「小錯誤」，即所謂單核苷酸突變(single-nucleotide variants, SNPs)，即使這些突變往往存在於僅占基因組1%的外顯子區域，平均下來，依然有近13000個之多，而其中的2%已被預知可影響相應蛋白的變化，但要從中找出某類疾病的具體致病基因，仍是一個巨大的挑戰。
自奧巴馬提出了「精準醫學」的概念，這個方向就一路紅火。即使現在已經有了測序技術和分析工具這些手段，有了電子健康記錄這位「好幫手」，這種醫療方法的理想和現實之間仍然有著巨大的鴻溝。在這個領域，仍然存在多種障礙。比如，即使在電子健康記錄普及和新療法研發成功的前提下，想要依靠臨床醫生來實現這些療法，往往還需要對他們進行不間斷的培訓，以幫助他們在做醫學決定前了解足夠多的細節信息。
此外，電子健康記錄的不可共享性(即涉及到病人隱私的問題)，為精準醫療的實現設置了不小的障礙。很多時候，治療患者個體病例的特異性信息往往被患者個人和治療機構所把持，到不了研究者手裡，那麼就無法據此信息來改進一些治療方法，因此也就沒辦法實現對個人的「個體化醫療」。這些問題往往反映生物醫學領域需要信息處理專家的介入和幫助。遺憾的是，生物信息學家在學術領域也僅僅只佔很少的席位，更別提在醫學領域，還需要給他們提供更多的職位和機會。
3. 「大數據」帶來的機遇
有挑戰也必然會帶來機遇，這個機遇可以體現在生物醫學領域的多個方面，比如醫療界的診斷方法更新、疾病分型更新、醫葯界葯物開發新方向、醫學界疾病治療新方法，甚至生物學科基礎研究領域的新工具等等。
2013年，安吉麗娜·朱莉的故事轟動全球，為減少患上乳腺癌的風險，她進行了預防性的雙乳腺切除術，而這個決定是在她檢測到自身攜帶一種風險基因——BRCA基因後才做出的。這類基因能帶來顯著的致病風險，約有55-65%的乳腺癌患者攜帶有害的BRCA1基因突變，45%的攜帶BRCA2突變。對朱莉來說，雖然她攜帶的僅僅是前一個基因，已足以讓她做出預防性手術的決定。這個故事給出了一個鮮活的例子，就是如何把個體測序得到的數據與臨床診斷聯系在一起，這就好像人類正在從自己的基因組中找到這些失落的寶藏，從而幫助自己預防一些惡性疾病，但這只是這個時代所帶來的一個福利而已，並且只佔到很少的一部分。
以糖尿病為例，不精確的疾病分型，對於前期的預防和後期的治療都十分不利。之前，醫學界已經知道，有多達百餘種途徑可能導致糖尿病的發生，涉及到胰腺、肝臟、肌肉、大腦甚至脂肪的不同變化。現代通過基因的研究發現，對不同類型糖尿病而言，其致病基因十分多樣。這時，如果將這些不同亞型的糖尿病混為一談，就會讓人很難弄明白，為什麼攜帶同樣的基因突變，病人在面對同一治療方案時，會出現完全不同的治療效果。
正如生物化學家阿蘭·阿蒂(Alan Attie)所說的那樣，「從致病基因到體重、血糖水平等表型的出現這一過程，往往有許多步，其中每一步都可能發生基因突變，這最終會削弱基因和表型之間的聯系」。因此，只看錶型(即臨床症狀)和只看突變基因，得到的都只會是片面的結果。只有將兩者有機結合起來，才能更加深我們對疾病的了解，做到更精確地進行疾病分型，以便更容易「對症下葯」。
美國國立衛生研究院(NIH)曾發起一項大型項目，構建了癌症基因組資料庫(the Cancer Genome Altas，簡稱TCGA)，將所有癌症相關基因突變分類保存，共保存有250萬Gb的數據，這大大改進了研究者對各種類型癌症的認識。但僅僅這樣，對於提供了組織樣本的患者來說，並沒給他們的臨床經歷帶來太多改變。
與癌症治療相關的另一方面，是個人電子健康記錄及其病例的特異性信息。對很多研究者來說，如果能從醫院或個人手中得到這部分信息，就能夠卓有成效地進行癌症治療方案的改進。總體而言，只有在拿到測序大數據的基礎上，同時掌握病人的干預記錄(來自個人的電子健康記錄)和臨床特徵(來自醫療機構的臨床病理記錄)，才能最終做到「升級」腫瘤的臨床治療方案。
醫葯研發也能從大數據獲益良多，這無可厚非。在醫葯研發的世界裡，基因技術公司更傾向於進行長期的生物學研究，並將其聯繫到臨床數據上，以使得葯物能夠「對症下葯」到每個人身上，甚至會幫助制葯公司做出更「大膽」的研發決定，進行個性化定製免疫療法的研究。
以微生物菌群研究為例。現在就有人提出這樣的想法：什麼時候我們會想要研發出能改變體內微生物菌群的葯物呢？這些存在於我們腸道、皮膚表面和環境中的數以十億計的微生物，不僅影響我們是否患病，還會影響到葯物對疾病所產生的葯效。現在大部分對於微生物菌群研究得到的數據還只是針對小部分人群，但這是否也意味著一個不錯的研究方向？畢竟我們現在還缺乏一些穩定的測試手段，能讓我們以一種持續性的方法來改變微生物菌群，並對疾病發展產生有意義的影響。
對免疫學研究來說，大數據會帶來什麼？首先，有以下「組學」都可以對免疫學研究產生有利影響，包括：基因組、微生物組、表觀基因組、轉錄組、代謝組、通路組、細胞組和蛋白組。具體來說，比如對特定B細胞或T細胞所有抗體抗原分子的分析，這些分析結果(尤其是與能識別對應抗體的抗原決定簇的技術相結合)，可將臨床診斷、抗體葯物研發、疫苗研發上升到一個新高度，並能為自身抗原肽結合抗體提供新見解。
伴隨著荊棘的引路，往往也會引來好歌喉的夜鶯。大數據給我們帶來挑戰的同時，也帶來了機遇，尤其是對於一些惡性疾病(比如癌症)的治療。一種單一類型的腫瘤，往往就會伴隨著多樣化的基因突變，但隨著投入更多的時間和金錢，會得到更多的治療靶點。當大數據分析的精度越來越高時，對於整個疾病發生過程的了解也會越來越深入，有了「大數據分析」這項利器，更多的精準治療方案將會產生，幫助人們做出更好的選擇。