病毒摧毁了世界上数百万人的经济；然而，病毒学家估计还存在着数以万亿计的未知病毒，其中许多可能是致命的或有可能引发下一次大流行。现在，他们有一个新的，非常长的名单，通过筛选史无前例的现有基因组数据，科学家们发现了超过10万种新病毒，包括9种冠状病毒和300多种与肝炎病毒有关的病毒，这些病毒会导致肝功能衰竭。
“这是一项基础性的工作，”J.Rodney Brister说，他是国家生物技术信息中心国家医学图书馆的生物信息学家，他没有参与这项新的研究。这项研究将使用RNA而非DNA的已知病毒数量扩大了一个数量级。疾病生态学家Peter Daszak说，这也“表明了我们对这类生物缺乏足够的知识”，Peter Daszak是生态健康联盟（EcoHealth Alliance）的主席，该联盟是纽约市一个非盈利研究组织，正在筹款启动全球病毒调查这项工作还将有助于启动所谓的PB级基因组学，即对以前难以估量的DNA和RNA数据进行分析。（1 PB等于1015字节。）
这并不是计算生物学家 Artem Babaian 在2020年初工作间隙时的想法。相反，他只是好奇在现有的基因组数据库中，除了刚刚引发COVID-19大流行的病毒之外，还有多少冠状病毒可以在现有的基因组数据库中找到。
因此，他和独立的超级计算专家Jeff Taylor搜索了基于云的基因组数据，这些数据已经存入全球序列数据库，并由美国国立卫生研究院上传。到目前为止，这个数据库包含了16兆字节的存档序列，这些序列来自于对从河豚鱼到农田土壤到人类内脏的所有东西的基因调查。（一个拥有美国每个人的数码照片的数据库所占用的空间大致相同。）在这些样本中感染不同生物体的病毒基因组也通过测序获得，但它们通常未被发现。
为了筛选海量数据，Babaian和Taylor设计了一套专门用于搜索云端数据的计算机工具。在几位生物信息学家的帮助下，一些生物信息学家成为了专门的合作者，他们调整了他们的软件，使他们的分析“比任何人想象的都快，”现在在剑桥大学工作的Babaian回忆道。
他们很快将病毒搜索范围扩大到了冠状病毒之外，并查看了云中的所有数据。Babaian和他的同事通过寻找与RNA依赖的RNA聚合酶基因核心的匹配来进行他们的研究，RNA聚合酶是所有RNA病毒复制的关键。这些病毒不仅包括冠状病毒，还包括引起流感、脊髓灰质炎、麻疹和肝炎的病毒。
Babaian的方法足够快，每天可以处理100万个数据集，每个数据集的计算成本不到1%。“这是一项令人印象深刻的工程壮举，”加州大学戴维斯分校的生物信息学家C.Titus Brown说，他没有参与这项研究。当研究人员最终完成时，他们发现了大约132000个RNA病毒的部分基因组，他们今天在自然.
该组织的新数据库在很多情况下没有每种新病毒的完整序列，只有核心酶的基因。但研究人员甚至可以使用部分序列来构建家谱，揭示不同病毒之间的联系以及它们是如何进化的。他们还可以使用数据库找出在哪里发现了特定的病毒，以及它的宿主是什么。布朗说，一些发现可以帮助研究人员更好地了解人类病原体是如何产生的，或者改进病毒感染的诊断测试。最后，当从病人身上分离出一种新病毒时，研究人员可以更容易地判断是否已经在其他地方发现。“我们已经把这个（数据库）变成了一个巨大的病毒监控网络，”巴贝安说。
一些发现出乎意料，包括先前在研究得很好的河豚鱼和轴突鱼中发现的未知冠状病毒。在少数情况下，研究人员可以拼凑出整个病毒基因组。他的同事和他的同事们提出，在一些新的水生动物的基因组序列中，没有分离出两个单独的基因组序列。
Babaian的团队还发现了250多种感染细菌的巨型病毒的证据，这些病毒与那些在藻类中发现的.噬菌体病毒组的成员，这些“巨大的噬菌体”的近亲，是从完全不同的生物体中检测到的。例如，在孟加拉国的一个人和英国的猫和狗身上都发现了一组巨大的噬菌体。Babaian指出，这些病毒足够大，可以在宿主物种之间携带基因。达扎克说，病毒就是这样。“每次我们开始挖掘，都会有惊喜。”
为了确保其他人能够利用这项工作，Babaian的团队创建了一个公共存储库以及结果。基于云的、公开的DNA序列的数量正呈指数级增长；巴贝安说，如果他明年做同样的分析，他将有望发现数十万个RNA病毒。“到十年结束时，我想确定超过1亿人。”
