一家动物园曾经提供过一本彩色画册，画的是北极熊在冬天的场景，配有各种深浅不一的白色蜡笔。对于在大型数据集中寻找RNA病毒序列的科学家们来说，他们的工作可能类似于在那本书的彩色页面上寻找一片雪花。
在一项新的研究中，来自以色列特拉维夫大学、美国国家生物技术信息中心（NCBI）和美国能源部联合基因组研究所（JGI）的研究人员描述了一个可以专门扫描RNA病毒序列的计算管道。利用这一工作流程，他们梳理了来自世界各地不同环境样本的5000多个RNA序列数据集（宏转录组），使RNA病毒的多样性增加了五倍。相关研究结果于2022年9月28日在线发表在Cell期刊上，论文标题为“Expansion of the global RNA virome reveals diverse clades of bacteriophages”。
在谈及发现的病毒多样性时，论文共同通讯作者、NCBI高级研究员Eugene Koonin说，“我们周围的病毒世界是巨大的，我们现在有了探索它的手段。尽管这种规模的数据分析面临的技术挑战是非常艰巨的。”
用于过滤序列的计算筛子
地球上的微生物比一把泥土中的颗粒还要多，而病毒的数量远远超过微生物。测序技术和计算工具的进步已发现了病毒的多样性，这些病毒不仅感染作物、动物和人类，而且还感染微生物，它们的存在或不存在会影响地球的营养循环。
虽然大多数有机体的遗传信息是在DNA中编码的，RNA将DNA内的指令传递给细胞，但RNA病毒将它们的遗传信息储存在RNA中，而不是储存在DNA中。论文共同作者、JGI 科学家Simon Roux说，“我认为RNA病毒在全球范围内甚至比DNA病毒更不为人所知。但与DNA病毒一样，RNA病毒在全世界范围内感染微生物，并在感染期间导致细胞死亡和/或细胞生理学的深刻变化。”
虽然所有的RNA病毒都有一个编码称为RNA引导的RNA聚合酶（RDRP）的基因，这是进行RNA基因组复制所必需的，但检测它一直是一个挑战。在海量的基因组数据中找到RNA病毒，需要开发特殊的计算筛子（computational sieve）来过滤掉不太可能包含RdRP序列的序列。
论文第一作者兼论文共同通讯作者、特拉维夫大学的Uri Neri回忆说，这项新的研究是2019年开始的三方合作的结果。特拉维夫大学的研究团队和NCBI团队的成员已经在一起合作分析原核生物病毒（噬菌体），他们从JGI的Nikos Kyrpides那里得知，Kyrpides的微生物组数据科学小组也在致力于分析RNA病毒。在这三个团队的几次视频会议之后，很明显，与较小的个人努力相比，更大的合作努力在取得更高质量的结果方面要有效得多。
这些作者使用了JGI的综合微生物基因组与微生物组（IMG/M）系统中所有公开的宏转录组数据集。Neri说，“我们随后研究了更多的样本并完善了我们的方法。我们的团队不断壮大，项目的范围也在不断扩大。”为此，Kyrpides强调，众多JGI科学用户在收集和提交他们的微生物组样本在JGI进行测序方面的贡献怎么强调都不过分。他说，他们的合作和支持，以及在一些情况下，他们允许使用尚未公布的序列数据，对于这项新研究的成功绝对是至关重要的，对他们贡献的承认也是如此。
Roux和Koonin都指出，所发现的大量RNA病毒序列“极大地改变了全球病毒多样性的观点”，尽管不是在更高层次的病毒群体（门）分类中。此外，RNA病毒似乎并不是均匀地分布在世界各地。
一个扩大的病毒群体是与细菌有关的病毒；直到现在，大多数已知的RNA病毒都与真核生物有关。Roux指出，伴随着与细菌相关的RNA病毒的扩大，发现“少数细菌使用CRISPR来防御RNA，尽管不清楚为何这种情况很少被检测到。”
开发协调“真实”大数据的方法
对于这些作者来说，导致发现丰富的RNA病毒的计算工作只是一个开始。Neri说，“我经常说，仅仅确定一个序列是病毒的，甚至还不是故事的一半。我们在发现后的分析中投入了大量的精力---我们尽可能地描述每一种病毒所携带的蛋白结构域，以及谁是它们可能的宿主。我们已经将所有这些信息完全免费并公开提供给更广泛的科学界。”
Koonin和特拉维夫大学的Uri Gophna都指出，其他平行的研究报告了全球RNA病毒组的类似“急剧扩张”。Koonin说，“我们如今需要比较和协调这些发现，提出一个单一的、非冗余的数据集。希望在相对较短的时间内，我们将能够估计出RNA病毒组（RNA virome）的实际规模。然而，这如今是真正的大数据，我们正在处理数十亿个序列，很快就会有数万亿个序列。开发高效、自动化的方法来分析和分类这种规模的序列数据是至关重要的。”
参考资料：
1. Uri Neri et al. Expansion of the global RNA virome reveals diverse clades of bacteriophages. Cell, 2022, doi:10.1016/j.cell.2022.08.023.
2. A better way to find RNA virus needles in database haystacks
https://phys.org/news/2022-10-rna-virus-needles-database-haystacks.html
