LOCALE: Local-Alignment Embeddings for Noise-Robust DNA Search at Scale
LOCALE 引入了一种具有噪声鲁棒性的 DNA 搜索框架，该框架通过使用经 InfoNCE 训练的编码器来生成具有变异容忍性的嵌入，将序列检索重新构建为稠密检索，其在准确性和跨拍级数据库的可扩展性方面显著优于最先进的 k-mer 索引及现有的嵌入方法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一座如此宏大的图书馆，它收藏着科学家们采样过的每一个生物体的遗传蓝图，且规模每年以拍字节（petabytes）计增长。这就是现代生物学的现实：研究人员将从废水样本到深海热液喷口等各种来源获取的原始遗传数据，存储在庞大的数字档案库中。挑战不仅在于存储这些信息，更在于如何在这一场宇宙级的草堆中寻找那一根特定的针。当科学家拥有一段新的遗传代码（例如从患者身上发现的一种病毒）时，他们需要搜索这座图书馆，以查看其是否与已知序列相匹配。困难之处在于自然界是混乱的。遗传代码很少是完美的副本；它在不同的人、不同的毒株之间，甚至在同一个生物体内部随时间推移都会发生细微变化。此外，读取这些代码的机器也会出错。传统的搜索工具寻找的是短字母序列的精确匹配，当这些微小的变异或错误出现时，它们往往会失败，要么返回空结果，要么完全错过正确的匹配。
一个研究小组开发了一种全新的方式来搜索这些庞大的遗传库，这种方式不再依赖于寻找完美匹配。他们并没有要求计算机去寻找一段序列的精确副本，而是教会了它去识别匹配的“指纹”，即使这个指纹已被突变或错误所模糊。他们将这一系统称为 LOCALE。其核心思想是将搜索视为一个排序问题，而非寻找相同字母字符串的游戏。该系统学习将属于同一类别的序列——例如一段短的遗传片段及其所属的长染色体——在数学空间中彼此拉近，同时将无关的序列推远。这使得系统即使在查询序列被改变了高达 10% 的情况下，依然能够找到匹配，而这种程度的变化会导致旧有的精确匹配工具彻底放弃。
研究人员在包含数千个遗传样本（代表数百亿个遗传字母）的基准测试中测试了这种方法。他们发现，即使搜索查询被显著改变，新方法仍能成功检索出正确的遗传样本。在一项遗传代码被改变了 10% 的测试中，新系统约有 63% 的成功率找到了正确的匹配。相比之下，现有的最佳工具由于依赖寻找精确的小段字母，成功率降至不足 35%，且在许多情况下根本无法找到任何匹配。研究人员还表明，这种提升并非源于使用了更复杂的“计算机大脑”，而是源于他们的训练方式。通过教导系统去识别那些经过刻意打乱（包括替换、插入和缺失）的序列，模型学会了忽略噪声并专注于潜在的生物学关系。这种训练方法在不同类型的计算机模型上都表现一致，这表明鲁棒性的关键在于训练策略本身，而非模型的大小。
这种方法的威力超越了合成测试。研究人员将该系统应用于一个真实的生物学挑战：区分乙型肝炎病毒的不同毒株，这些毒株在整个基因组上的差异自然超过了 8%。当他们使用一种毒株的遗传片段在另一种毒株的数据库中进行搜索时，该系统约有 81% 的概率找到了正确的匹配。而领先的现有工具仅能实现约 52% 的成功率，另一种流行的方法则几乎完全失败。这证明了该系统处理人工噪声的能力可以直接转化为处理自然生物学变异的能力。
为了使该系统能够适用于整个图书馆，研究人员还解决了速度和存储的问题。搜索数十亿个遗传向量可能非常缓慢，且需要巨大的计算机内存。他们开发了一种可以在不损失太多匹配能力的情况下显著压缩数据的方法。使用单张显卡，他们的压缩系统可以在短短几秒钟内搜索完包含近 4,600 个遗传样本的整个基准测试集。虽然这个压缩版本在准确性上略低于未压缩版本，但其在寻找正确匹配方面的表现仍大幅优于现有工具，在同等速度下实现了三倍半的成功率提升。这表明，搜索这些庞大遗传档案的瓶颈不再仅仅是数据的大小，而是处理伴随而来的自然变异和错误的能力。通过将焦点从精确匹配转向学习序列之间的关系，研究人员提供了一个能够以此前被认为不可能的规模来驾驭混乱生物数据的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。