摘要：全世界已经测序完成的高等动植物基因组大概有800个，华大贡献了70%。 主讲嘉宾：尹烨 尹烨：华大医学执行总裁。尹烨，1979年生，籍贯山东烟台。2002年毕业于大连理工大学生物工程专业获学士学位， 2013年获华南理 ...
尹烨：华大医学执行总裁。尹烨，1979年生，籍贯山东烟台。2002年毕业于大连理工大学生物工程专业获学士学位， 2013年获华南理工大学生物工程(基因组学)工程硕士学位。2002年加入华大基因，先后从事体外诊断试剂研发、管理及基因组研究行业，曾任华大科技总裁，华大集团首席运营官(COO)，现任华大医学总裁，率领团队积极推动前沿生物医学技术和基因组学研究的临床应用，降低出生缺陷及其他重大疾病对人类健康的危害。
各位好，华大基因的尹烨。基因这个词一直是我非常喜欢的词，也是英文翻译的最好的词，gene-基因，基因基因，基本之因。
第一个话题，基因，基因组，大数据。对于目前我们已知的生物圈，碳链作为基本骨架的生命，我们都是通过DNA来进行遗传的。基因可以简单的理解成一段有意义的DNA序列，而全部的DNA就成为一个的基因组。
地球诞生了46亿年，最早的细胞化石是30亿年，我们从简单到复杂，从水生到陆生，从低等到高等，从无性到有性，从单细胞到多细胞……
但分析现有的(包括部分的)，从DNA的角度来看，的确有着极强的进化或演化关系，我们称之为同源性。
最简单的基因组来自于病毒，比如乙型肝炎病毒的DNA总量(基因组大小)只有3.2Kb.然后到了细菌，比如大肠杆菌，基因组就有4Mb，而到了酵母，也就是线Mb。他们的基因组不断的插入外源DNA，越来越大，功能也越来越多。然后高等线Mb 的基因组了，到了最简单的植物也只有100Mb左右的基因组，比如拟南芥。再向上，比如梅花200Mb，水稻400Mb，大豆1Gb，两爬类2Gb，哺乳类3Gb。所以人类的基因组也就是3Gb，即30亿个碱基。
基因组的大小与进化高低并无一致性，我们称为C值悖论，或者说很多仍然是处于进化状态的。全世界(范围内)，我们基本的预估，所有生命信息只测一次的数据量是 10的60次方，然而现在只有10的21次方-22次方左右。以人类举例，这个群体有70亿数量，如果每人都测一次，则测序的数据量至少就是3Gb*70亿这么大。且受到技术和方，目前每一个人至少要测100G(大约是基因组的30倍)，才能得到相对准确的全基因组信息，所以刚才的数量就达到了100G*70亿人次这么大。
水稻，玉米，小麦……这些都要育种，每一个也都需要按照这样的方式来做，所以这个数据量就变得无可估量了。现在是从每个只测一次的角度来讲，而对于活着的生命体，还需要测很多次，比如每个人睡觉、吃饭、思考、生病的基因表达都不一样，这个数据量还会有数量级的增加。
所以你会发现，原来我们还有基因组万倍的细胞，还有十万倍的菌群。这些如果都测出来，那是不得了的数据量。
我们计算过，一个人如果从出生下来就开始取样，生化、免疫、影像、基因，表型数据，如果都开始积累，那么一起步就是665个G，一辈子差不多就到了1个P。如果一个人1P，1000人就是1E，1M(Million)人就是1Y，1B(Billion)人就是1个Z，这就是10的24次方。这个数据还只是人类，如果把上千万个，都这样来一下，那么可能就达到了N或者D的级别。
大家看这个，如果说20世纪是物理学世纪的线世纪毫无疑问的就是生命的世纪。物理在有了热力学三大定律特别是熵的概念提出后，开始进入快速发展阶段。生命科学至今还没有一个可以用数学语言可以阐述的定律。
看下这张，生命科学从1859年起源来看，不过就是150年的时间。基因也是1911年才出现的提法。迄今为止，全世界已经测序完成的高等动植物基因组大概有800个，华大贡献了70%。
一个行业如果要兴起，需要经过科学发现，技术发明，再到产业发展。比如富兰克林发现了电，爱迪生发明了电灯，而GE把照明做到了全世界。制造业包括IT，一般可以直接从发明到发展，所有学科里面唯独生命不行。这是因为，生命科学直接作用于人体，即使你知道了青蒿素可以治疗疟疾，但一定要从机理上证明，即回归发现，才可以允许你做产业发展。而生命的科学发现，必须依赖于大数据，重视相关关系，而不是关系。
美国在1980年启动了肿瘤大战，希望通过蛋白等片段的信息来搞清楚肿瘤，十年后发现失败。所以在1990年正式启动了人类基因组，不去搞明白为什么，而是先把whole picture搞定，即解决是什么的问题。
下面进入今天最后一个问题，生物大数据到底能做什么。先说育种。相当程度上，我们现在可以不通过种地，而直接通过运算的方式来进行虚拟育种。
按目前的算法推测，如果做到相关性90%，对于玉米(基因组大小是2.5Gb)，10000株玉米就可能让天河一号全年计算能力饱和。目前最快的测序仪，每一秒的数据产出会达到几十个G，除了用裸光纤，根本没决传输问题。如果个人基因组得到普及，以100万人的数据库如果要进行两两比较，那么天河二号也远远不够。这就是生命大数据带来的计算，存储，传输的挑战，瓶颈在IT。再来讲生命科学的应用，比如肿瘤，大家应该知道，肿瘤本身不是均质的，即不是简单的区分为癌症组织和癌旁组织，肿瘤的生长过程本身就是一个动态的进化过程，说的通俗点，最早的肿瘤细胞逃脱了细胞周期，战胜了普通细胞，然后抢到了离血管近的，开始快速繁殖，逐渐地，远离血管的就打不过离血管近的了，所以要进一步进化成更“厉害”的癌细胞。所以，所以肿瘤靶向药物，如果是直接针对的匀浆状态的，那很可能是无效的。我们发过几篇高水平文章都是关于单细胞测序的--即我们挑选肿瘤组织中的上百个细胞，一个一个测基因组，然后看他们基因组的进化关系，从而正确判断出这些癌细胞的出场顺序，知道了正在起作用的基因。这个时候的有的放矢就变得很重要了。
比如血糖和糖尿病真的有必然关系么?在科学上，我们这个领域用相关关系的很多，比如GWAS，全基因组关联分析就是最典型的例子。但是只看静态是不对的。正如看见影片中一个人手里拿着刀，是无法判断他是否的。
我们不能凭借image来说事，而要靠video.所以未来的健康领域，一定是综合了基因，，运动，营养，菌群，睡眠，心理共同作用的结果。在这个基础上，会产生全新的行业，即所谓的真正意义上的健康咨询师，目前的遗传咨询也只能解决20%或者更少的问题。比如精子，每次有50亿个左右，但任意两个精子的DNA都不一样，这就是进化或演化的根本。
通常认为的菌群是我截图这张，但实际上肿瘤有上千种，但丰度谱是不同的，所以依次可以区分肠道菌群分型，我们称之为“肠型”。这些菌很大程度上决定了你的吸收，可以简单的理解为，它们的次生代谢产物才是我们吸收的营养。我们曾经测过欧洲亚洲不同食谱的人群菌群，在健康的时候是不一致的，但比如罹患了大肠癌，则菌群的多样性下降，到晚期趋同性更有一致的趋势。所以现在通过测粪便就可以分别相当多的疾病状态，包括大肠癌，包括糖尿病，甚至抑郁和很多性疾病，都和菌群的内毒素有关。
这是华大CEO王俊提出的第一定律。表型组和基因组通过某种条件起作用。我们希望能够发现部分数学定律来阐述。
最后一张片子，生命周期表，里面给出了从174噬菌体开始发表的所有顶尖的文章。我们希望能够找到生命周期表。
尹烨：@施建旭 我们已经发现了很多规律，但是更多的规律不是今天的计算资源能够满足的。另外说一句，我们是民企，所有资源都是我们自己的产业利润纳税后支撑的。
尹烨：@花甲青年 虚拟育种的概念 是和盖茨基金会合作中一起讨论出来的方向。现在通过对大量的重测序，我们可以瞬间知道很多基因的功能，然后利用矢量计算的算法可以对每一个基因每一个碱基加权，来预测后代可能的状态。当然，这里面有一些，比如要控制的相对稳定。
尹烨：所以 现在通过测粪便就可以分别相当多的疾病状态，包括大肠癌，包括糖尿病，甚至抑郁和很多性疾病，都和菌群的内毒素有关。
尹烨：@harry 濬 肝癌、大肠癌有关系，认可，或者说，现在以器官来命名癌症out了，EGFR癌，RAS癌……@张涵诚 @harry 濬 对于生态系统，多样性是稳定的基础;对于内，要看怎么理解。比如血液，只有红细胞、白细胞、血小板，不能太多样，不然就毒血或者脓血或者菌血了。但是换一个角度，如果血液中只有红细胞、白细胞、血小板的情况下，那么他们的免疫细胞是兵强马壮的，这也可以理解为稳定。
尹烨：@杨力伟， 、冥想、、乐观积极的心理状态能够影响生理指标，这些心理状态都会直接影响基因表达，有物质基础。
尹烨：@Bright Star 我部分认可，包括拉马克的用尽废退在特定条件下也是有道理的，但对于目前的生命起源学说比较不认可。
郝鹏洲：@尹烨尹总有几个问题，1.去年11月我去过美国国立研究院，专门做大数据关于基因的话题，目前国际千人基因计划进展如何。2.拜访了几位专家，未来人类基因测序将和抽血一样，目前成本是否仍然很高。
尹烨：@郝鹏洲 前几期基本做完了，结果符合预期，现在各个国家都在争做1M基因组。测序会便宜到和高端体检差不多，但是解读很难。
尹烨：基因只是其中的一个最有代表性的指标，包括蛋白，小，细胞、组织，系统都是生命的“通货”;
花甲青年：@尹烨 有了育种大数据和超级计算，以后人类吃饭不用愁了，这是大数据的人类的第一大贡献!谢谢你的报告!
尹烨：@花甲青年 谢谢鼓励，我们叫做基因组指导下的定向聚合育种，我们做的杂交谷子去年最高的试验田亩产达到了950 kg。
尹烨：这个很难讲，如果神经元的结合方式我们能解决的话，我相信会有很大的突破。现在来看差不多就是G级别的。
曾经的小卢：@尹烨 刚才你说的计算能力不是问题，存储是更大挑战，请问如何用DNA做如此大量数据的存储呢?
尹烨：@曾经的小卢 合成生物学，用0101的底层编码引导合成。只要你0101能存，我ATCG就能存。举一个最简单的例子，大肠杆菌，4M的基因组，可能在十几分钟就合成完毕了。如果我可以用1P的大肠杆菌定向做存储，不就很快解决了一个Y的存储了么?A——腺嘌呤 T——胸腺嘧啶 C——胞嘧啶G——鸟嘌呤，碱基，就是化学物质。比如A，就是HCN 氰化氢的五聚体，也是所谓的海洋起源的重要标志之一。
尹烨：@曾经的小卢 它不存在“进”的概念，还有先后顺序，还有更多的奇怪规矩，比如AAAA这样不能连续太多次。
最新评论