大數(shù)據(jù)在生物醫(yī)學信息學中的應用

羅志輝 吳 民 趙逸青

(美國威斯康辛大學密爾沃基分校 密爾沃基 53201)

?

大數(shù)據(jù)在生物醫(yī)學信息學中的應用

羅志輝 吳 民 趙逸青

(美國威斯康辛大學密爾沃基分校 密爾沃基 53201)

大數(shù)據(jù)在生物醫(yī)學信息學研究中的作用日益重要，介紹大數(shù)據(jù)在生物信息學、臨床醫(yī)學信息學、影像信息學和公共衛(wèi)生信息學4個領(lǐng)域的應用，列舉并總結(jié)一些最近的工作進展，對未來大數(shù)據(jù)在生物醫(yī)療領(lǐng)域的發(fā)展進行展望。

大數(shù)據(jù)； 生物醫(yī)學信息學；應用

1 引言

隨著信息技術(shù)在醫(yī)學臨床和科研中的應用，臨床醫(yī)學、生物學、信息學發(fā)生了一次交叉融合，形成了生物醫(yī)學信息學(Biomedical Informatics)。醫(yī)院信息化的建設、醫(yī)療診斷手段的進步和高通量實驗設備的利用，使得醫(yī)學數(shù)據(jù)呈現(xiàn)幾何級數(shù)的增長，表現(xiàn)出“大數(shù)據(jù)”的特征。開展大數(shù)據(jù)相關(guān)研究工作，能更好地發(fā)現(xiàn)新知識、提高醫(yī)療服務的效率和質(zhì)量。這種研究技術(shù)的應用必將成為生物醫(yī)藥科學技術(shù)發(fā)展的趨勢，也必將是未來生物信息研究領(lǐng)域的核心技術(shù)。

2 大數(shù)據(jù)概述

2.1 大數(shù)據(jù)

大數(shù)據(jù)是一種新的研究模式和應用生態(tài)系統(tǒng)，它改變了之前以個別案例為基礎的研究方式，更多地使用大規(guī)模的數(shù)據(jù)作為研究驅(qū)動。大數(shù)據(jù)量，這是大數(shù)據(jù)的第1個特點。隨著高通量檢測技術(shù)的發(fā)展，現(xiàn)在已進入一個生物信息學數(shù)據(jù)量呈指數(shù)級增長的時代。例如，ProteomicsDB覆蓋了Swiss-Prot數(shù)據(jù)庫中注明已知的人類基因的92%(19 629中的18 097，具有5.17 TB的數(shù)據(jù)量[1])。在臨床方面，美國醫(yī)療信息技術(shù)經(jīng)濟與臨床健康法案(Health Information Techndogy for Econmic and chinical Health Act,HITECH)的出臺并實施提高了電子病歷在醫(yī)院的采用率，2009-2012年增加了3倍[2]，數(shù)以千百萬計的患者數(shù)據(jù)以電子格式被收集并存儲，而電子病歷產(chǎn)生的大型數(shù)據(jù)集創(chuàng)造了利用病人數(shù)據(jù)進行醫(yī)學研究的寶貴機會[3]。醫(yī)療影像(如MRI、CT掃描)同樣產(chǎn)生了巨大的數(shù)據(jù)集，其中包含復雜結(jié)構(gòu)特征和多維度的成像信息。又如可視人(Visible Human Project)計劃已獲得了39 GB的女性數(shù)據(jù)集[4]，在公共衛(wèi)生領(lǐng)域，大數(shù)據(jù)被證明可以用于預測健康水平[5]。數(shù)據(jù)類型和結(jié)構(gòu)的多樣性，這是大數(shù)據(jù)的第2個特點。例如，基因測序技術(shù)幾乎在細胞領(lǐng)域的所有層面都形成了各類“組學”數(shù)據(jù)系統(tǒng)，從基因組學、蛋白質(zhì)組學、代謝組學，到蛋白相互作用組學[6]層出不窮。此外，很多數(shù)據(jù)都是非結(jié)構(gòu)化的[7]，如電子病歷記錄[8]、臨床實驗研究結(jié)果[9-10]、醫(yī)學影像[11]以及醫(yī)療傳感器數(shù)據(jù)流，它既是一個挑戰(zhàn)，也給醫(yī)療信息化發(fā)展留下了巨大的空間。大數(shù)據(jù)的第3個特點是其產(chǎn)生速度快。大數(shù)據(jù)的速度有兩方面：產(chǎn)生數(shù)據(jù)的速度和處理數(shù)據(jù)的速度。新一代基因測序技術(shù)能夠以相對較低的成本，每天生產(chǎn)數(shù)10億DNA序列，據(jù)預計其增長速度還會顯著增加[12]。在臨床領(lǐng)域，據(jù)估計醫(yī)師電子病歷的采用率在美國將在2019年增加至90%[13]，這意味著所收集的患者數(shù)據(jù)可在未來幾年增加1倍。如今人們生活在社會化媒體的時代，當每秒數(shù)百萬計的信息、照片和帖子發(fā)布，公共健康研究人員就可以利用這些大的社交媒體數(shù)據(jù)，探索不同人群的社會新交往模式[14-15]。

2.2 大數(shù)據(jù)技術(shù)

基于大數(shù)據(jù)的特點，需要強大的新技術(shù)用以提取各類有用的信息，從而得出醫(yī)療保健解決方案?，F(xiàn)在，已經(jīng)有幾種技術(shù)被用于解決生物醫(yī)學與健康信息學領(lǐng)域的大數(shù)據(jù)問題。在許多情況下是多種技術(shù)被一起使用，如人工智能(Artificial Intelligence)與并行計算平臺(Hadoop和MapReduce)的聯(lián)合使用，或與一些大數(shù)據(jù)挖掘(Big Data Mining)技術(shù)聯(lián)合使用。并行計算是用于處理大數(shù)據(jù)的基礎架構(gòu)之一，該技術(shù)使得計算機集群能夠同時執(zhí)行并行的算法任務。最近幾年，不斷有新的計算模型被提出，例如MapReduce，以協(xié)助并行計算機集群的計算和運行。并行計算模型需要分布式數(shù)據(jù)管理系統(tǒng)。 Hadoop使用Hadoop分布式文件系統(tǒng)的數(shù)據(jù)存儲系統(tǒng)，支持群集計算機同時訪問數(shù)據(jù)。云計算主要用于共享使用集中的數(shù)據(jù)存儲和網(wǎng)絡計算服務或資源，從而利用規(guī)模效應使得工作效率和經(jīng)濟效益最大化。云計算一般分為公有云計算(Public Cloud)、私有云計算(Private Cloud)和混合云計算(Hybrid Cloud)。使用云計算免除了用戶單獨購買和配置硬件和系統(tǒng)軟件平臺的需求，可以使用戶更加專注于應用和開發(fā)。另一方面，云計算也促進了移動應用的發(fā)展。使用云計算平臺，公司和機構(gòu)能夠搭建被廣泛訪問的網(wǎng)絡應用。因此云計算市場有著快速、靈敏、靈活的特性，并且以每年接近50%的速度增長。

3 大數(shù)據(jù)的應用

3.1 生物信息學應用

生物信息學(Bioinformatics)研究專注于分析生物系統(tǒng)在分子水平上的差異和變化。目前，朝著個性化藥物方向發(fā)展[16]，產(chǎn)生存儲分析大量個體基因組數(shù)據(jù)的需求，因而導致數(shù)據(jù)的爆炸性增長。新基因測序技術(shù)和新的微測序技術(shù)發(fā)展大大減少了獲取人類生物譜所需的時間和成本。在這個數(shù)據(jù)生產(chǎn)速度呈幾何級數(shù)增長的時代，大數(shù)據(jù)應用在生物信息學方面的重點將是建立有效的計算基礎設施和分析平臺，以支持生物大數(shù)據(jù)存儲和分析。Hadoop和MapReduce系統(tǒng)平臺的大數(shù)據(jù)技術(shù)已經(jīng)在生物信息學領(lǐng)域有了重大應用[17]。在本節(jié)中，把大數(shù)據(jù)技術(shù)和工具在基因組學中的應用分為4類，包括數(shù)據(jù)讀寫和檢索、數(shù)據(jù)查錯、數(shù)據(jù)分析和集成工具。這4類應用互有重疊。

3.1.1 數(shù)據(jù)讀寫和檢索 在通常情況下，測序儀能夠產(chǎn)生數(shù)以百萬計的短DNA序列信息，它們需要被映射到特定的參考基因組才能進行進一步的數(shù)據(jù)研究和分析，如基因分型和表達變異分析等。CloudBurst是一個開放源代碼的并行讀取算法大數(shù)據(jù)模型(使用MapReduce)[18]，用多個核心集群讀取并映射序列數(shù)據(jù)到人類基因組數(shù)據(jù)的速度大大提高。DistMap是在Hadoop集群上進行分布式序列片段讀取映射的一個工具包[19]，旨在增加對不同數(shù)據(jù)格式的支持，覆蓋更廣泛的測序應用。目前支持的9種數(shù)據(jù)格式包括BWA、Bowtie、Bowtie2、GSNAP、SOAP、STAR、Bismark、BSMAP和TopHat。SeqWare是一個基于云計算的大規(guī)模數(shù)據(jù)存儲和查詢引擎，以幫助生物信息學研究人員獲取大規(guī)模全基因組數(shù)據(jù)集[20]。SeqWare團隊創(chuàng)建了一個交互界面，用以整合各種基因組瀏覽器和工具。DDBJ數(shù)據(jù)讀取注釋流水線(DDBJ Read Annotation Pipeline)是日本DNA數(shù)據(jù)庫項目(DDBJ)發(fā)起的基于云計算的流水線[21]，用于新一代測序數(shù)據(jù)的高通量讀取分析。Hydra是利用Hadoop的分布式計算框架搭建的可擴展的蛋白質(zhì)組學搜索引擎，可用于處理大規(guī)模的肽和光譜數(shù)據(jù)的軟件包,該系統(tǒng)的重點在于搭建一個分布式計算環(huán)境，支持海量光譜數(shù)據(jù)的可擴展搜索[22]。

3.1.2 數(shù)據(jù)查錯 對于識別序列數(shù)據(jù)中的錯誤，現(xiàn)在也有相應的大數(shù)據(jù)處理技術(shù)。SAMQA旨在幫助識別序列數(shù)據(jù)中的錯誤，以確保大規(guī)模的基因組數(shù)據(jù)符合最低標準的質(zhì)量要求[23]。SMAQA最初是為癌癥基因組圖譜項目(The Cancer Genome Atlas)的數(shù)據(jù)而設計的，能自動識別并報告錯誤，它包含了數(shù)據(jù)異常性的技術(shù)測試，如格式錯誤、無效值、空數(shù)據(jù)讀取等。對于生物實驗數(shù)據(jù)，研究人員可以通過設置閾值來過濾可能是錯誤的數(shù)據(jù)，而這些可能的錯誤將被報告給專家手動評估。ART系統(tǒng)也提供模擬數(shù)據(jù)序列分析[24]。ART系統(tǒng)最初是為支持千人基因組項目的數(shù)據(jù)模擬實現(xiàn)而開發(fā)的，現(xiàn)在該系統(tǒng)已被廣泛使用，它支持3種測序錯誤，包括堿基的取代、插入或缺失錯誤。CloudRS是基于可擴展框架的、高通量測序的數(shù)據(jù)糾錯算法[25]。旨在為高通量測序的數(shù)據(jù)校正提供一種并行框架。

3.1.3 數(shù)據(jù)分析 在基因組學方面，研究人員已經(jīng)開發(fā)了幾個被廣泛使用的大數(shù)據(jù)計算框架和工具包，例如Genome Analysis Toolkit (GATK)、CloudBurst等。這些工具通過使用諸如并行計算、云計算和MapReduce的大數(shù)據(jù)技術(shù)等方法來分析基因序列信息分析。GATK是一個基于MapReduce的編程框架，它支持大規(guī)模的DNA序列分析[26],已經(jīng)應用于癌癥基因圖譜計劃(The Cancer Genome Atlas)和千人基因組項目(1 000 Genomes Project)。ArrayExpress功能基因組學數(shù)據(jù)存儲庫歸檔是一個國際合作項目，用以整合高通量的基因組數(shù)據(jù)[27],存儲庫包含30 000多個實驗數(shù)據(jù)和超過100萬的檢測數(shù)據(jù)，約80%的數(shù)據(jù)是從基因表達綜合數(shù)據(jù)庫(Gene Expression Omnibus Database)中提取的，而20%是直接由ArrayExpress用戶遞交。BlueSNP則是一個開發(fā)于統(tǒng)計學平臺R上面的工具包，主要用于GWAS分析[28]。這一工具包側(cè)重于統(tǒng)計檢驗，如計算p值，以尋找大型基因型-表型數(shù)據(jù)集之間的關(guān)聯(lián)關(guān)系。Myrna系統(tǒng)是一個用于分析計算大型RNA測序數(shù)據(jù)集的基因表達差異數(shù)據(jù)云計算流水線[29]。RNA-SEQ數(shù)據(jù)是從mRNA分子得到的m個序列讀取。Myrna支持多種功能，可支持RNA序列分析，包括在綜合數(shù)據(jù)流水線中進行統(tǒng)計建模。Eoulsan分析工具包植入了分析轉(zhuǎn)錄表達的差異的數(shù)據(jù)分析流水線，包括測序機數(shù)據(jù)的導入，將數(shù)據(jù)映射到基因組索引、排列過濾器、轉(zhuǎn)錄表達的計算，表達差異檢測[30]。SparkSeq是一種快速的可擴展的云計算工具，用于支持交互性的基因組數(shù)據(jù)分析[31]。SparkSeq的軟件包旨在為RNA / DNA研究提供互動的查詢和分析工具，因為使用Apache Spark并行計算平臺，SparkSeq提供了使用機器學習方法分析數(shù)據(jù)的可能。

3.1.4 平臺集成工具 使用大數(shù)據(jù)計算平臺往往需要很深的分布計算和系統(tǒng)知識。為了減少生物信息學研究的大數(shù)據(jù)應用的障礙，一些項目專注于集成現(xiàn)有的大數(shù)據(jù)系統(tǒng)和工具，開發(fā)易用的平臺為研究人員提供分析和系統(tǒng)集成支持。SeqPig 運算包在Hadoop分布計算平臺上集成了一系列便捷工具，用于大規(guī)模的操作、分析和訪問續(xù)寫數(shù)據(jù)[32]。虛擬機技術(shù)也被應用到工具集成中。CloVR是一個虛擬機基因測序分析包[33]，該系統(tǒng)同時支持在本地桌面和云系統(tǒng)運行，以實現(xiàn)高吞吐量的數(shù)據(jù)處理。生物信息學的工作流/數(shù)據(jù)流水線被集成在虛擬機中，因此CloVR降低了測序分析大型數(shù)據(jù)集的技術(shù)壁壘。CloVR包括了幾個自動化數(shù)據(jù)流水線，如全基因組、宏基因組和16S rRNA基因測序分析等。同樣，Cloud BioLinux 也是一個虛擬機解決方案[34]，它為研究人員提供超過135個生物信息工具進行測序分析。部署Hadoop的云平臺，對于沒有計算機科學專業(yè)知識的科學家來說是個不小的挑戰(zhàn)，而CloudDOE是一個軟件包，旨在提供一個友好的用戶界面來部署Hadoop云平臺[35]。CloudDOE可將復雜的生物信息學Hadoop云計算程序配置過程封裝起來，幾個包被集成在一個包中，包括CloudBurst、CloudBrush和CloudRS，而操作過程由圖形界面為向?qū)А?/p>

3.2 臨床醫(yī)學信息學應用

臨床醫(yī)學信息學(Clinical Informatics)研究涉及信息技術(shù)在臨床醫(yī)療領(lǐng)域的應用，范圍包括基礎醫(yī)學研究、病人診斷和死亡原因研究、電子病歷數(shù)據(jù)研究和各種其他臨床數(shù)據(jù)等。

3.2.1 大數(shù)據(jù)電子病歷存儲優(yōu)化 大數(shù)據(jù)技術(shù)在電子健康記錄存儲方面有許多應用，如用Hadoop HDFS和HBase存儲電子健康記錄[36]。大數(shù)據(jù)可以幫助實時監(jiān)測臨床數(shù)據(jù)流，為此研究人員開發(fā)了針對臨床信號數(shù)據(jù)儲存的大數(shù)據(jù)系統(tǒng)[37]。臨床傳感器的時間序列數(shù)據(jù)將被存儲在HBase中，行變量是單一值的時間戳，列變量則是相應時間戳對應下的病人生理值，例如，使用Hadoop和HBase的數(shù)據(jù)倉庫存儲腦電圖數(shù)據(jù)[38]。Cloudwave系統(tǒng)采用Hadoop的數(shù)據(jù)處理模塊來存儲和查詢大型電生理數(shù)據(jù)(EEG)[39]，該系統(tǒng)處理77GB的EEG信號數(shù)據(jù)集用1分鐘，而傳統(tǒng)的獨立系統(tǒng)則需用20分鐘。Cloudwave利用Hadoop的處理能力，提供了一個基于網(wǎng)絡的實時數(shù)據(jù)的可視化和檢索界面。針對實時監(jiān)測數(shù)據(jù)，近年來越來越多的研究人員認為，新型NoSQL數(shù)據(jù)庫比起傳統(tǒng)數(shù)據(jù)庫將有更大的發(fā)展空間。新的研究方向是要使傳統(tǒng)的關(guān)系型、多維數(shù)據(jù)庫能夠和NoSQL數(shù)據(jù)庫聯(lián)系起來[40]。

3.2.2 大數(shù)據(jù)電子病歷新型訪問方式 隨時間增長的龐大數(shù)據(jù)量有可能使醫(yī)療保健領(lǐng)域的挑戰(zhàn)變成大數(shù)據(jù)的機會，而大數(shù)據(jù)技術(shù)的進步使人們更易操作龐大的數(shù)據(jù)量，可交互操作的電子健康記錄也會成為可能[41]。為保證用戶數(shù)據(jù)安全，MedCloud模型設計可在符合HIPAA的條例下訪問病人數(shù)據(jù)[42]。Home-Diagnosis是一個基于云框架的病歷檢索系統(tǒng)，解決了在病人自我護理環(huán)境下現(xiàn)有電子病歷系統(tǒng)處理大規(guī)模并發(fā)數(shù)據(jù)讀取和分析時產(chǎn)生的各種問題，包括病人信息安全問題[43]。該系統(tǒng)主要基于Lucene檢索引擎工具包，并且使用Hadoop加速系統(tǒng)處理時間。

健康信息的交互讀取，在醫(yī)療知識共享傳遞方面也有很大的應用前景，如用于交互式電子健康記錄[44]。研究人員提出了一個3層架構(gòu)的生態(tài)系統(tǒng)，以改善電子健康在云社交網(wǎng)絡方面的不足之處[45]?；谠萍夹g(shù)的應用程序體系架構(gòu)，也可以加強研究人員在多站點臨床實驗之間的互動[46]，讓人們更多地參與到云技術(shù)在交叉學科信息學中的現(xiàn)今使用狀況和未來發(fā)展空間的討論[47]。有人嘗試建立一個私有云平臺，用來處理大量的醫(yī)療服務需求[48]。在中國，有人設計了一個網(wǎng)上心臟疾病數(shù)據(jù)分析系統(tǒng)，采用了混合XML數(shù)據(jù)庫和Hadoop / HBase基礎架構(gòu)[49]。

3.2.3 基于大數(shù)據(jù)的病歷分析 醫(yī)學數(shù)據(jù)分析對整個醫(yī)療行業(yè)具有很大的影響，而且這一領(lǐng)域也有很好的發(fā)展前景。基于MapReduce技術(shù)，對大量醫(yī)療數(shù)據(jù)分析可以在合理的時間內(nèi)完成，使得大量基于醫(yī)療數(shù)據(jù)的科學研究得以開展。MapReduce能使訪問10 000個真實病例數(shù)據(jù)集的整體運行時間從9小時減少到幾分鐘，這對該技術(shù)的大規(guī)模應用有很大的意義。PARAMO是一個預測性建模平臺，它可用于分析電子健康數(shù)據(jù)，預測疾病風險和進展，在臨床決策支持方面將會有重要作用[50]。該系統(tǒng)支持MapReduce高效處理并行任務，而醫(yī)療術(shù)語，如ICD、UMLS等也被集成到該系統(tǒng)中。在電子健康檔案(EHRs)以及醫(yī)學影像存儲與傳輸系統(tǒng)(PACS)等龐大的數(shù)據(jù)庫的基礎上，泌尿科醫(yī)生可以使用大數(shù)據(jù)分析結(jié)果作為決策支持，如預測病人膀胱切除后何時重新到醫(yī)院就診[51]。此外，大數(shù)據(jù)也可以用于確定一個75歲的前列腺病人是應該使用放療還是切除術(shù)，以避免直接的前列腺癌風險[51]。有人基于MapReduce進行數(shù)據(jù)分析，以提高肥厚型心肌病的診斷率[52]。大數(shù)據(jù)在提高臨床醫(yī)療質(zhì)量和病人護理方面有著積極的意義，例如，可以探究病人病癥與疾病的因果關(guān)系，發(fā)現(xiàn)疾病復發(fā)的潛在危險因素[53]。大數(shù)據(jù)還可以應用于男性健康問題研究[54]和腸胃病研究[55]，通過搭建病人為中心的數(shù)據(jù)架構(gòu)來實現(xiàn)個性化藥物治療[56]。大數(shù)據(jù)也可以加強藥品安全[57]。研究人員還提出了使用大數(shù)據(jù)技術(shù)評估充血性心臟衰竭病人30天風險的解決方案[58]。有人認為，利用大數(shù)據(jù)可以在新生兒重癥監(jiān)護早期階段發(fā)現(xiàn)致死性醫(yī)學表征，這將是臨床上的一大突破[59]。如今人們已經(jīng)越來越多地把大數(shù)據(jù)分析應用到智能化的醫(yī)療決策之中[60]。

3.3 影像信息學應用

影像信息學(Image Informatics)被定義為用于產(chǎn)生、處理、管理、提取、呈現(xiàn)成像(影像)信息，在許多生物和醫(yī)學應用中集成圖像的研究方法。

3.3.1 醫(yī)學影像數(shù)據(jù)存儲和檢索 醫(yī)學影像數(shù)據(jù)的迅速增加需要更高效的影像檢索系統(tǒng)，以減少存儲和檢索所需的時間。研究人員開發(fā)了一個基于Hadoop的大規(guī)模醫(yī)學影像檢索系統(tǒng)[61]。Hadoop分布式文件系統(tǒng)(HDFS)被用于存儲影像特征，實驗結(jié)果表明該影像檢索系統(tǒng)的速度非?？?，大幅度減少了存儲和檢索時間。研究人員還使用Hadoop開發(fā)了基于影像內(nèi)容檢索的影像系統(tǒng)(Content-based Image Retrieval)[62]，對數(shù)據(jù)庫中大量的圖片進行更快的影像檢索。人們使用乳腺X光影像數(shù)據(jù)庫中的影像來驗證開發(fā)的影像檢索系統(tǒng)[63]。

3.3.2 大規(guī)模醫(yī)學影像分析 Hadoop-GIS系統(tǒng)使用自主研發(fā)的實時空間查詢引擎(RESQUE)，并且利用MapReduce進行空間信息查詢，通過Hive進行影像特征查詢[64]。這個研究的主要目的是未來大規(guī)模(TB或者PB級)的病理學影像信息的儲存、分析和管理。針對心臟影像，研究人員開發(fā)了大數(shù)據(jù)影像系統(tǒng)、集成人工智能(Artificial Intelligence)技術(shù)、大規(guī)模并行計算(Parallel Computing)平臺和大數(shù)據(jù)挖掘(Big Data Mining)技術(shù)[65]。大數(shù)據(jù)挖掘技術(shù)結(jié)合下一代人工智能可以進行復雜的醫(yī)學影像分析，如病人是否有心肌梗塞等，能為醫(yī)生提供多個候選診斷。大數(shù)據(jù)技術(shù)使得醫(yī)學影像分析在更短的時間內(nèi)完成，提高了效率。研究人員探索使用計算機節(jié)點集群進行影像處理，例如，使用支持向量機(SVM)對肺紋理進行分類、基于內(nèi)容的醫(yī)學影像索引和三維定向小波分析、固體紋理分類參數(shù)優(yōu)化[66]。

3.4 公共衛(wèi)生信息學應用

大數(shù)據(jù)能加強公眾衛(wèi)生的3個核心功能，即健康評估、政策制定和疾病預防。

3.4.1 監(jiān)控全球傳染病 大數(shù)據(jù)技術(shù)在全球傳染病監(jiān)測方面有著巨大的應用潛力。研究人員開發(fā)了一個大數(shù)據(jù)系統(tǒng)，提供一個時間靜態(tài)的持續(xù)風險地圖[67]。未來有望將社交網(wǎng)絡信息和流行病學相關(guān)信息，在空間地圖上“實時”更新。人們收集了5.5億條推特信息(Tweets)，通過超過9 800條有地理定位的推特微博信息的分析，發(fā)現(xiàn)HIV有關(guān)的推特微博信息和HIV病例之間呈現(xiàn)顯著的正相關(guān)關(guān)系[68]。這說明社交媒體如Twitter提供的在線數(shù)據(jù)對疾病預防有潛在的重要應用。

3.4.2 高效的疾病管理和預測 研究人員設計了一個使用Hadoop進行文本挖掘的疾病管理系統(tǒng)[69]，它包括醫(yī)療數(shù)據(jù)采集模塊、Hadoop文本挖掘模塊、疾病規(guī)則創(chuàng)建模塊和疾病管理和預測模塊。醫(yī)療數(shù)據(jù)采集模塊獲取并儲存的是原始的沒有數(shù)據(jù)結(jié)構(gòu)的醫(yī)療數(shù)據(jù)，Hadoop文本挖掘模塊則是將這些原始數(shù)據(jù)轉(zhuǎn)換成有一定結(jié)構(gòu)的數(shù)據(jù)。疾病規(guī)則創(chuàng)建模塊建立在條件概率群論的理論基礎上，通過比較疾病規(guī)則創(chuàng)建模塊產(chǎn)生的病人信息、病人健康現(xiàn)狀、家族病史，疾病管理和預測模塊能夠為病人提供個性化醫(yī)療服務，并且通過病人健康現(xiàn)狀預測未來患病的可能性。人們用大量的醫(yī)療保險數(shù)據(jù)來分析病人的主要診斷和死亡原因的獨立關(guān)聯(lián)，研究社會人口特征和醫(yī)療行政分布對此的影響[70]，結(jié)果證明了大規(guī)模的數(shù)據(jù)分析可以被用來有效地分析醫(yī)療事件的關(guān)聯(lián)。

4 結(jié)語

目前已經(jīng)步入大數(shù)據(jù)時代，大數(shù)據(jù)技術(shù)正在被快速地應用到生物信息和醫(yī)療保健領(lǐng)域之中。因為生物信息學數(shù)據(jù)存在著數(shù)量大、分析難的特性，大數(shù)據(jù)的分析方法最早被應用于生物信息學領(lǐng)域，所以在此領(lǐng)域發(fā)展得比較成熟，已有成型的平臺和工具來幫助分析生物序列數(shù)據(jù)。在其他生物醫(yī)學領(lǐng)域，大數(shù)據(jù)的應用還有巨大的潛力未被開發(fā)。本文列舉并總結(jié)了一些最近的工作進展，如存儲分析病人電子病歷、分析社交傳媒得以監(jiān)控疾病風險等。目前，在臨床信息學、醫(yī)學影像信息學和公共衛(wèi)生信息學方面，大數(shù)據(jù)的應用還處在萌芽階段，未來發(fā)展的前景廣闊，例如麥肯錫公司在最新的產(chǎn)業(yè)分析報告中預測，應用大數(shù)據(jù)分析將為美國節(jié)省3 000億到4 500億美元的醫(yī)療費用。未來大數(shù)據(jù)在生物醫(yī)療領(lǐng)域的發(fā)展，將依賴于數(shù)據(jù)標準的制定、研究和技術(shù)的進步，研究機構(gòu)及企業(yè)的合作，以及政府方面的強力推動。

1 Wilhelm M, Schlegl J,Hahne H, et al.Mass-spectrometry-based Draft of the Human Proteome[J]. Nature，2014, 509(7502): 582-587.

2 Blumenthal D, Tavenner M. The “Meaningful Use” Regulation for Electronic Health Records[J]. New England Journal of Medicine,2010, 363(6): 501-504.

3 Rea S. Pathak J,Savova G, et al. Building a Robust, Scalable and Standards-driven Infrastructure for Secondary Use of EHR Data: the SHARPn project[J]. Journal of Biomedical Informatics,2012, 45(4): 763-771.

4 Ackerman M J. The Visible Human Project: a resource for education[J]. Academic Medicine,1999, 74(6): 667-670.

5 Lohr S. The Age of Big Data[N]. New York Times,2012-2-11(1).

6 Joyce A R, Palsson B O. The Model Organism as a System: integrating 'omics' data sets[J]. Nat Rev Mol Cell Biol,2006, 7(3): 198-210.

7 Feldman R, Sanger J. The Text Mining Handbook: advanced approaches in analyzing unstructured data[J]. London:Cambridge University Press,2007.

8 Rosenbloom S T, Denny J C, Xu H, et al. Data from Clinical Notes: a Perspective on the ension between structure and flexible documentation[J]. Journal of the American Medical Informatics Association, 2011, 18(2): 181-186.

9 Luo Z, Duffy R,Johnson S, et al. Corpus-based Approach to Creating a Semantic Lexicon for Clinical Research Eligibility Criteria from UMLS[C]. San Francisco:AMIA Joint Summit of Translational Informatics, 2010: 26-31.

10 Weng C, Wu X, Luo Z, et al. EliXR: an approach to eligibility criteria extraction and representation[J]. Journal of the American Medical Informatics Association,2011,(18): 116-124.

11 Reiner B I. Medical Imaging Data Reconciliation, Part 3: reconciliation of historical and current radiology report data Banks[J]. Journal of the American College of Radiology, 2011, 8(11): 768-771.

12 McKenna A, Hanna M,Banks E, et al. The Genome Analysis Toolkit: a mapReduce framework for analyzing next-generation DNA sequencing data[J].Genome Research, 2010, 20(9): 1297-1303.

13 Blavin F E, Buntin M B. Forecasting the Use of Electronic Health Records: an expert opinion approach [EB/OL].[2015-06-01]. http://www.cms.gov/mmrr/Downloads/MMRR2013_003_02_A02.pdf.

14 Carneiro H A, Mylonakis E. Google trends: a web-based tool for real-time surveillance of disease outbreaks[J]. Clinical Infectious Diseases,2009, 49(10): 1557-1564.

15 Chou W Y S, Hunt Y M, Beckjord E B, et al. Social media use in the United States: implications for health communication[J]. Journal of Medical Lnternet Research,2009,11(4)：e48.

16 吳民, 羅志輝,翁春華. 個性化醫(yī)學探究[J]. 醫(yī)學信息學雜志，2013， 34(10): 2-7.

17 Taylor R. An Overview of the Hadoop/MapReduce/HBase Framework and Its Current Applications in Bioinformatics[J]. BMC Bioinformatics,2013, 11(Suppl 12): S1.

18 Schatz M C. CloudBurst: highly sensitive read mapping with MapReduce[J].Bioinformatics, 2009, 25(11): 1363-1369.

19 Pandey R V, C Schl?tterer. DistMap: a toolkit for distributed short read mapping on a Hadoop cluster[J]. PLoS ONE, 2013, 8(8): e72614.

20 D O’Connor B, B Merriman, et al. SeqWare Query Engine: storing and searching sequence data in the cloud[J]. BMC Bioinformatics,2010, 11(Suppl 12): S2.

21 Nagasaki H, T Mochizuki, et al. DDBJ Read Annotation Pipeline: a cloud computing-based pipeline for high-throughput analysis of next-generation sequencing data[J]. DNA Research,2013, 20(4): 383-390.

22 Lewis S, A Csordas, et al. Hydra: a scalable proteomic search engine which utilizes the Hadoop distributed computing framework[J]. BMC Bioinformatics, 2012, 13(1): 324.

23 Robinson T, S Killcoyne, et al. SAMQA: error classification and validation of high-throughput sequenced read data[J]. BMC Genomics, 2011, 12(1): 419.

24 Huang W, L Li, et al. ART: a next-generation sequencing read simulator[J]. Bioinformatics,2012, 28(4): 593-594.

25 Chen C-C, Y-J Chang, et al. CloudRS: an error correction algorithm of high-throughput sequencing data based on scalable framework[C]. Santa Clara, CA, US: IEEE International Conference on Big Data, 2013: 717-722.

26 McKenna A, M Hanna, et al. The Genome Analysis Toolkit: a MapReduce framework for analyzing next-generation DNA sequencing data[J]. Genome Research, 2010, 20(9): 1297-1303.

27 Brazma A, H Parkinson, et al. ArrayExpress-a public repository for microarray gene expression data at the EBI[J]. Nucleic Acids Research,2003, 31(1): 68-71.

28 Huang H, S Tata, et al. BlueSNP: R package for highly scalable genome-wide association studies using Hadoop clusters[J]. Bioinformatics, 2013, 29(1): 135-136.

29 Langmead B, K D Hansen, et al. Cloud-scale RNA-sequencing differential expression analysis with Myrna[J]. Genome Biol, 2010, 11(8): R83.

30 Jourdren L, M Bernard, et al. Eoulsan: a cloud computing-based framework facilitating high throughput sequencing analyses[J]. Bioinformatics, 2012, 28(11): 1542-1543.

31 Wiewiórka M S, A Messina, et al. SparkSeq: fast, scalable, cloud-ready tool for the interactive genomic data analysis with nucleotide precision[J]. Bioinformatics, 2014, 30(18):2652-2653.

32 Schumacher A, L Pireddu, et al. SeqPig: simple and scalable scripting for large sequencing data sets in Hadoop[J]. Bioinformatics, 2014, 30(1): 119-120.

33 Angiuoli S V, M Matalka, et al. CloVR: a virtual machine for automated and portable sequence analysis from the desktop using cloud computing[J]. BMC Bioinformatics, 2011, 12(1): 356.

34 Krampis K, T Booth, et al. Cloud BioLinux: pre-configured and on-demand bioinformatics computing for the genomics community[J]. BMC Bioinformatics, 2012, 13(1): 42.

35 Chung W-C, C-C Chen, et al. CloudDOE: a user-friendly tool for deploying hadoop clouds and analyzing high-throughput sequencing data with mapReduce[J]. PLoS ONE,2014, 9(6): e98146.

36 Jin Y, T Deyu, et al. A Distributed Storage Model for EHR Based on HBase[C].Hong Kong, China: IEEE International Conference on Information Management, Innovation Management and Industrial Engineering (ICIII), 2011：26-27.

37 Nguyen A V, R Wynden, et al. HBase, MapReduce, and Integrated Data Visualization for Processing Clinical Signal Data[C]. Standford University: AAAI Spring Symposium: Computational Physiology, 2011.

38 Dutta H, A Kamil, et al. Grid and Cloud Database Management[M]. Springer, 2011: 331-347.

39 Sahoo S S, C Jayapandian, et al. Heart Beats in the Cloud: distributed analysis of electrophysiological ‘big data’using cloud computing for epilepsy clinical research[J]. Journal of the American Medical Informatics Association, 2014, 21(2): 263-271.

40 Mazurek M. Beyond Databases, Architectures, and Structures[M]. Springer, 2014: 527-536.

41 Schultz T. Turning Healthcare Challenges into Big Data Opportunities: a use‐case review across the pharmaceutical development lifecycle[J]. Bulletin of the American Society for Information Science and Technology, 2013, 39(5): 34-40.

42 Sobhy D, Y El-Sonbaty, et al. MedCloud: healthcare cloud computing system[C]. London, UK: Proceedings of the 7th International Conference for Internet Technology and Secured Transactions, 2012:161-166.

43 Lin W, W Dou, et al. A Cloud-based Framework for Home-diagnosis Service over Big Medical Data[J]. Journal of Systems and Software, 2014，(102)：192-206.

44 Bahga A, V K Madisetti. A Cloud-based Approach for Interoperable Electronic Health Records (EHRs) [J]. IEEE Journal of Biomedical and Health Informatics, 2013 17(5): 894-906.

45 Deb B, S N Srirama. Social Networks for eHealth Solutions on Cloud[J]. Frontiers in Genetics, 2013, (4):171.

46 Sharp J. An Application Architecture to Facilitate Multi-site Clinical Trial Collaboration in the Cloud[C].New York, US: Proceedings of the 2nd International Workshop on Software Engineering for Cloud Computing, ACM, 2011: 64-68.

47 Chen J, F Qian, et al. Translational Biomedical Informatics in the Cloud: present and Future[EB/OL].[2015-06-01]. http://dx.doi.org/10.1155/2013/658925.

48 He C, X Fan, et al. Toward Ubiquitous Healthcare Services with a Novel Efficient Cloud Platform[J]. IEEE Transactions on Biomedical Engineering, 2013, 60(1): 230-234.

49 Wang Y, L Wang, et al. Frontier and Future Development of Information Technology in Medicine and Education[M]. Springer, 2014: 1575-1583.

50 Ng K, A Ghoting, et al. PARAMO: a parallel predictive modeling platform for healthcare analytic research using electronic health records[J]. Journal of Biomedical Informatics, 2014, (48): 160-170.

51 Ghani K R, K Zheng, et al. Harnessing Big Data for Health Care and Research: are urologists ready?[J]. European Urology, 2014,(66):975-977.

52 Deligiannis P, H-W Loidl, et al. Improving the Diagnosis of Mild Hypertrophic Cardiomyopathy with Mapreduce[C].New York, US: Proceedings of Third International Workshop on MapReduce and Its Applications Date, 2012:41-48.

53 Wang W, E Krishnan. Big Data and Clinicians: a review on the state of the science[J]. JMIR Medical Informatics, 2014, 2(1): e1.

54 Porche D J. Men's Health Big Data[J]. American Journal of Men's Health,2014, 8(3): 189.

55 Genta R M, A Sonnenberg. Big Data in Gastroenterology Research[J]. Nat Rev Gastroenterol Hepatol,2014, 11(6): 386-390.

56 Chawla N V, D A Davis. Bringing Big Data to Personalized Healthcare: a patient-centered framework[J]. Journal of General Internal Medicine,2013, 28(3): 660-665.

57 Abbott R. Big Data and Pharmacovigilance: using health information exchanges to revolutionize drug safety[J]. Iowa L Rev, 2013, (99): 225.

58 Zolfaghar K, N Meadem, et al. Big Data Solutions for Predicting Risk-of-readmission for Congestive Heart Failure Patients[C]. Santa Clara, CA, USA: Proc IEEE International Conference on Big Data, 2013:64-71.

59 McGregor C. Big Data in Neonatal Intensive Care[J]. Computer,2013, 46(6): 54-59.

60 Raghupathi W, V Raghupathi. Big Data Analytics in Healthcare: promise and potential[J]. Health Information Science and Systems,2014, 2(1): 3.

61 Yao Q-A, H Zheng, et al. Massive Medical Images Retrieval System Based on Hadoop[J]. Journal of Multimedia, 2014, 9(2): 216-222.

62 Grace R K, R Manimegalai, et al. Medical Image Retrieval System in Grid Using Hadoop Framework[C]. Las Vegas, Nevada, USA:International Conference on Computational Science and Computational Intelligence(CSCI), 2014: 144-148.

63 Jai-Andaloussi S, A Elabdouli, et al. Medical Content Based Image Retrieval by Using the Hadoop Framework[C]. Finland: 20th International Conference on Telecommunications (ICT), 2013:1-5.

64 Wang F, R Lee, et al. Hadoop-gis: a high performance query system for analytical medical imaging with mapreduce[D]. Altlanta,USA: Emory University,2011.

65 Dilsizian S E, E L Siegel. Artificial Intelligence in Medicine and Cardiac Imaging: harnessing big data and advanced computing to provide personalized medical diagnosis and treatment[J]. Current Cardiology Reports,2014, 16(1): 1-8.

66 Markonis D, R Schaer, et al. Using MapReduce for Large-Scale Medical Image Analysis[C]. La Jolla, CA, USA:IEEE Second International Conference on Healthcare Informatics, Imaging and Systems Biology, 2012:1.

67 Hay S I, D B George, et al. Big Data Opportunities for Global Infectious Disease Surveillance[J]. PLoS Medicine, 2103, 10(4): e1001413.

68 Young S D, C Rivers, et al. Methods of Using Real-time Social Media Technologies for Detection and Remote Monitoring of HIV Outcomes[J]. Preventive Medicine,2014, (63): 112-115.

69 Lee B, E Jeong. A Design of a Patient-customized Healthcare System based on the Hadoop with Text Mining (PHSHT) for an Efficient Disease Management and Prediction[J]. International Journal of Software Engineering & Its Applications,2014, 8(8):131-150.

70 Lamarche-Vadel A, G Pavillon, et al. Automated Comparison of Last Hospital Main Diagnosis and Underlying Cause of Death ICD10 Codes, France, 2008-2009[J]. BMC Medical Informatics and Decision Making,2014, 14(1): 44.

Big Data Application in Biomedical Informatics

LUOZhi-hui,WUMin,ZHAOYi-qing,

UniversityofWisconsin-Milwaukee,Milwaukee53201,USA

Big data is becoming increasingly important for biomedical informatics research. The paper introduces big data applications in four areas: bioinformatics, clinical informatics, image informatics, and public health informatics,summarizes latest progress and prospects the future development.

Big data; Biomedical informatics; Application

2015-04-01

羅志輝，博士，助理教授，發(fā)表論文多篇。

R-058

A 〔DOI〕10.3969/j.issn.1673-6036.2015.05.001