编辑推荐：
在全基因组测序研究中，数据存储与传输成本高昂。研究人员对用于双端 fastq.gz 和 BAM 文件的压缩软件进行基准研究。结果显示，Genozip 和 ORA 压缩比高、用时短。这为降低数据存储成本提供了有效方案。
在生命科学领域，全基因组测序（Whole genome sequencing，WGS）技术飞速发展，为探究复杂疾病的遗传基础带来了新的曙光。通过短读测序（short-read sequencing）获取的海量数据，蕴含着无数解开生命奥秘的线索。然而，这些数据的存储和传输却成了令人头疼的难题。想象一下，在一个数据如同潮水般涌来的实验室里，研究人员辛苦测序得到的数据，仅仅存储成本就高得惊人。以平均 35× 的测序覆盖度为例，每个样本的 fastq.gz 原始序列文件大小约为 65GB，加上预处理和映射比对后存储为 BAM 或 CRAM 文件，存储负担进一步加重。如果将数据存储在商业云平台，每年每 GB 的成本约为 0.17 美元，存储一个样本的 fastq.gz 和 BAM 文件十年的费用，甚至比最初生成数据的成本还要高。这就好比在前进的道路上，突然出现了一座数据成本的 “大山”，挡住了研究的步伐。为了翻越这座 “大山”，来自瑞士 Cardio-CARE、德国吕贝克大学等多个机构的研究人员展开了一场 “数据瘦身” 的探索之旅。他们的研究成果发表在了《Scientific Reports》上，为解决基因组数据存储难题带来了新的希望。
研究人员开展的是一项关于人类短读序列数据压缩软件的基准研究。他们选择了四个专门用于双端 fastq.gz 文件的压缩工具：DRAGEN ORA 4.3.4（ORA）、Genozip 15.0.62、repaq 0.3.0 和 SPRING 1.1.1，同时还对比了 Genozip 和 SAMtools 1.20 对 BAM 文件的压缩效果。研究中使用的样本来自基因组瓶联盟（Genome-in-a-bottle consortium）的三个受试者，这些样本在 Illumina NovaSeq 6000 平台上进行了 82 次测序。
研究中用到的主要关键技术方法如下：首先是样本处理技术，从 Coriell Institute 获取三个具有阿什肯纳兹犹太血统的基因组瓶联盟受试者样本，经过 DNA 浓度测量、文库构建等一系列标准步骤后，在 Illumina NovaSeq 6000 平台进行测序；其次是数据处理技术，利用 Illumina 的 bcl2fastq 版本 2.20 程序将原始测序文件转换为 FASTQ 格式并进行解复用，之后使用不同的压缩软件对 fastq.gz 和 BAM 文件进行压缩，并用 R 版本 4.4.0 进行统计分析。
下面来看具体的研究结果：
- 压缩软件的功能概述：Genozip 功能最为全面，能压缩 fastq.gz、BAM、CRAM 和 gVCF 等多种文件格式；SAMtools 仅能压缩 BAM 文件；ORA、repaq 和 SPRING 则局限于压缩 fastq.gz 文件1。
- fastq.gz 文件的压缩与解压缩：在对 fastq.gz 文件的压缩中，Genozip 和 ORA 表现出色，压缩比分别达到 1:5.99 和 1:5.64 ，而 repaq 和 SPRING 的压缩比仅为 1:1.99 和 1:3.79。在运行时间上，ORA 耗时最短，比 SPRING 和 repaq 快 15 - 16 倍，Genozip 也比 repaq 和 SPRING 快 10 倍以上。解压缩时，ORA 速度约是 Genozip 的两倍，且二者均远超 repaq 和 SPRING。在内存使用方面，SPRING 在压缩和解压缩时内存消耗最高，repaq 最低，Genozip 比 ORA 消耗的内存更少234。
- BAM 文件的压缩：Genozip 对 BAM 文件的压缩比最高，为 1:4.71，但运行时间较长，内存消耗约是 SAMtools 的 13 倍。SAMtools 将 BAM 文件转换为 CRAM 文件，CRAM3.1 比 CRAM3.0 的压缩比略高，且生成的 CRAM3.1 文件比 Genozip 压缩的 BAM 文件大 14% ，但压缩时内存使用约为其 1/13567。
研究结论和讨论部分指出，Genozip 和 ORA 在压缩 fastq.gz 文件时具有最高的压缩比和最短的压缩、解压缩时间。虽然 Genozip 需要年度许可证，但其源代码免费，具有可持续性。商业工具 Genozip 和 ORA 比免费工具 SPRING 和 repaq 的压缩比更高。对于 BAM 文件，SAMtools 生成的 CRAM 文件因能被许多软件直接读取而更具优势。然而，研究也存在一定局限性，如仅关注了双端短读 Illumina 序列的压缩，未考虑长读序列的压缩，且部分软件未纳入比较。尽管如此，这项研究为基因组数据存储提供了重要的参考，帮助研究人员在选择压缩软件时能更有针对性，有效降低数据存储和传输成本，推动全基因组测序研究在更经济、高效的道路上前进，对生命科学和健康医学领域的发展具有重要意义。
