如何用云计算模式，实现生物信息分析 | 雷锋网公开课

雷锋网按：当基因检测变得越来越普及，所得数据越来越多，对数据解读的需求也由此诞生，而这就是生物信息技术的作用。本文整理自华点云技术总监于伟文在雷锋网硬创公开课上的演讲，主题为如何用云计算模式实现生物信息分析。

于伟文，高级工程师，上海华点云生物科技有限公司技术总监。是北京航空航天大学国家示范学科——“移动云计算”专业的首批毕业生。拥有十余年 IT 领域从业经验，主要关注于临床、生物、金融等领域。作为课题负责人，曾主持过国家“十一五” 重大专项子课题；参与多项国家自然科学基金、国家重点实验室专项信息化建设项目。在Nature 子刊、SCI等权威刊物上发表学术论文10 余篇。

公开课视频如下：

以下为雷锋网(公众号：雷锋网)整理的演讲主要文字内容。

华点云专注于高通量基因数据分析的公司，研发了一系列基因高通量生物分析工具，有基于NGS的数据传输、分析、报告、解读为一体的云端协同分析解决方案。这次的公开课则主要讲讲，如何用云计算模式实现生物信息分析。这次公开课分四部分：

一是生物信息学发展的历程，以及当前面临的挑战。获取数据的成本越来越低，数据量越来越大，现在的生物信息学面临的痛点，包括数据传输、计算及安全等方面。今天主要讲高性能计算的痛点。

二是分析NGS标准的生物信息分析的模式，中间数据处理的格式是怎么样的。你可能知道，科研单位主要是单样本分析，时间长且占资源。企业一般是多样本分析，痛点是NGS分析流程比较复杂，分析时间长，对集成带来压力。现在有两种计算模式：一种是弹性计算，基本能解决八成的问题；二是分布式计算。

三是云计算模式的特点与优势。

第四部分会以我们的乳腺癌检测产品为例，看如何在云端实现生物信息分析流程。

1953年，沃森和克里克提出了DNA 双螺旋结构，标志着生物科学的发展进入了分子生物学阶段，使遗传的研究深入到分子层次，“生命之谜”被打开，人们清楚地了解遗传信息的构成和传递的途径。这也开启了生物信息学的纪元，虽然当时还没这种叫法。

生物信息学之父是林华安，他提出了Bioinfomatics这种词。右图是人类基因组计算，自1990年正式实施，是生命科学的“登月计划”，也让生物信息学走向高潮。

人类基因组计划中有一个关键人物克雷格·文特尔，到1997年时整个计划只完成了3%，但时间和经费都用去了一半多。文特尔说有方法在3年内完成基因组测序，他以一己之力单挑6国科学家，采用“鸟枪法”以更快的速度完成人类。他本想为自己的方法申请专利，但在克林顿总统的要求下和其它6国科学进行了合作。

那什么叫测序？简单来说昌通过中间的测序仪，可以产生ACTG这样的数据，而生物信息学就是分析这些数据。

基因测序分为三代。

第一代测序技术的主要特点：优点是测序读长可达1000bp，准确性高达99.999%，从头测序，从头组装；而缺点是测序成本高，通量低，难以大规模的应用。

第二代测序的特点：大大降低了测序成本的同时，大幅提高了测序速度，维持了高准确性，但序列读长方面起第一代测序技术则要短很多。

第三代测序的特点：不需要PCR，避免了PCR错误的引入，读长可达3k，且速度快。

目前第二代测序是行业主流，后面的分析也是基于第二代。总结如上图。

上图是测序成本的趋势。在2001年时测一个人的基因组花费近1亿美元，而2015年时只需要1000美元。

上图左侧是人基因组个数，右侧表示数据量，横坐标是时间。图中黑线是真实统计数据，蓝色是摩尔定律预测数据，红线是历史推测。可以看出，从2017年开始，每年的基因组数据会呈线性增长。

接下来看下数据量的大小。直接看图最后的数据，用最新的测序仪，在19-40个小时即会产生167GB到6TB数据，这还只是一台测序仪。

因此，当前考虑的不是基因测序本身的成本，而是数据传输、存储与分析的成本。目前面临的挑战主要包括（公开课主要涉及高性能计算方面）：

数据解读

大规模的存储：大规模的存储：  混乱、缺乏行业标准

大量的计算资源：数据量大，计算复杂，时间长、成本高昂

高效的数据传输

安全稳定的运行环境

数据压缩，这也是行业难点

NGS计算的模式与挑战

上图是NGS行业通用全基因组分析流程。测序后，通过标准化的基因组流程分析，然后与对应的数据库比对，就能形成标准的分析报告。

而标准的基因分析流程包括：质控，mapping，call SNP，注释。最重要的是mapping和call SNP，这是指它们对计算要求是非常高的。

AC和Trime是质控，当得到测序数据后，通过这两步把低质量数据去掉。mapping是指整个染色体数据拼成一条。最后就是去找突变位点在哪，找到定位后即可评估是什么样的病种，给出一个应对措施。

接下来看看每个阶段对应的数据格式是怎么样的。从QC到Trime都是FastQ格式，具体如上图所示。接下来会形成FastA格式。而通过mapping会再形成bam/sam格式。sam实质还是文本文件，只是对文件格式的定义；bam文件是对sam文件的二进制压缩，占用存储，后续处理速度快。通过call SNP则会生成文本。

接下来以微生物组学为例看NGS数据计算特征。如上图所示，微生物组学中，呈现单个样本数据量小、样本数量多，及单个样本数据量大，样本数量少等特征。同时看到，微生物组学与参考序列的比对过程中，计算量大。微生物组学全基因组数据的组装和聚类，对内存的消耗也很大。海量样本微生物组学数据的比较，也需要高IO。所以可以看到，整个NGS数据是计算密集型，内存密集型，IO交换密集型。

当前行业生物计算的业务场景是：

1.单样本数据量小，样本量很大：应该用弹性计算模式，能解决八成的需求。

2.单样本数据量大，样本量很小：采用分布式计算模式。

3.单样本数据量大，样本量较大：弹性+分布式计算模式。

云计算的特点与优势

整个云计算企业主要分为IaaS、PaaS、DaaS、SaaS。在云计算下整个医疗与健康厂商的划分如上，其中包括了各主要服务商。

云计算整个特点是：

成本低，以前完成一百个样本可能需要几万元，现在已经降到几元了。

弹性，即可以动态伸缩，满足动态的用户增长的需要。

以及高可靠性、通用性、虚拟化和超大规模等特点。

站在生物信息云端

第四部分最为重要，主要关于如何用云计算解决生物信息分析中存在的问题。

首先是“单样本数据量小，样本量大”的业务场景云端实现，这主要用弹性计算来实现。

上图是以乳腺癌检测应用为例，它基本代表整个NGS标准的分析流程。数据特点是单样本100M，有100个样本。

传统SGE集群计算模式单样本运行时间约15分钟，共约22小时，而我们的目标是15分钟全部完成。实现弹性计算，要要求业务需求选择云厂商，这里只需要从IaaS上选择即可。

先看百度云，它提供批量计算。上图是百度技术架构图。第一步是先把数据传到对象存储BOS中，之后把作业投到Batch Compute计算集群里面。

再看下阿里云，它也有Batch Compute计算模式，也适用于并行批处理作业的分布式计算。AWS由于网络问题，不太好用。

下面以阿里云为例，讲解如何去对Rocky.pl做弹性计算。做弹性计算，是让机房中的多台机器同时运行，把结果写到指定的OSS里。我们的任务写一个程序，快速让它在机房创建一排排机器（VM1-100），每个VM运行Rocky.pl，输入与输出都放到OSS上。这就是主要思路。

在写程序前，要做四件事，一是做环境搭建，二是把现有测试数据传到OSS上，三是正式写程序，四是查看测试结果。

环境搭建第一步是创建虚拟机，让它运行rocky.pl的话，要先做镜像。例子中搭建的是CentOS6.5，当然这可根据需求自行决定，另外就是安装生物信息流程包。通过镜像可扩展100台机器。

第二是准备开发工具。这里以Java为例，需要的环境是jdk与eclipse。

准备工作完成后，要把数据传到OSS。刚才有三个文件，首先要将它们传到OSS。上传方式如上图所示，可以通过网页形式，或SDK的方式。

OSS中有几个概念。

一是bucket，即存储空间，用于存储对象（Object）的容器，所有的对象都必须隶属于某个存储空间。可以理解成windows下的C盘、D盘。

region是指地区，根据自己所在地域决定。

页面开发人员的SDK方式如上所示，需要输入账号密码，创建OSS客户端。具体细节不再详细展开。

接下来可通过SDK和控制台的方式查看是否上传成功。网络不稳定的情况下可选择断点续传。

下一步是写一个小程序，通过封装一步步实现弹性计算。做之前，要准备节点，让jar包中代码使用这个节点，这里会用到前面准备的镜像，并配置节点。然后是开发jar包，分别要构造job对象，构造DAG对象，构造task对象，以及OSS与节点的映射关系，最后封闭job的其他对象，并启动job。

这里有几个名词要解释。

job（作业）是BatchCompute的名词，每次分析操作都可以看成是一个作业。比如说我们要分析100个样本数据，那么当我们将100个样本当成一个整体，只需要执行一次，那么job就是1个。如果将这100个样本拆分成多个组，每组N个（N<100），那么就会有M个job（M=100/N）。例如每组5个样本，总共拆分成20个组，那么job个数就是20。

DAG是directed acycline praph的缩写，即有向无环图，通过它可以把业务流程切分成小的节点。

任务（task）也是BatchCompute的名词，是业务流程。我们可以将业务流程细分成N份，那么就可以有N个task。如果仅仅使用粗糙的业务流程，那么task设定成1即可。另外，每个job可以包含多个task，每个task单独用1台计算节点。

OSS与节点的映射关系，是将OSS上的数据挂载到节点上，以后此节点上的任何操作都是读取本地目录上的数据。这么做的好处在于减少了频繁和OSS进行交互，防止交互过于频繁，挂载连接断掉。而这种方式只需要最后关闭节点的时候，才和OSS交互。

原始DAG的缺点是，每台计算节点运算时间很短，但是等待资源时间很长。一般情况下，每个节点资源需要等待3-5分钟，而计算的时间可能仅仅几十秒。总的运行时间可能达到20分钟。

所以，一个想法是在一个task上运行所有步骤。要这么做，其中的步骤会如上图所示。

伪代码则如上所示，具体不再详细展开。程序非常简单，也有python和java等各个版本。

前面讲述的是一个job的运行流程。现在我们有100个样本，每个task运行2个样本，那么共需要50个task，每个task对应1个job，那么就需要50个job。测试阶段，我们可以使用for循环，执行50次。每个都运行一次job。伪代码如下：

for (int i = 1; i<=50; i++ ) {

      //运行job

 }

实际应用中，我们是通过一个调度系统，来判断当出现2个样本数据时，则创建一个job，并启动job，让这个job运行1个task，每个task里面执行2个样本数据。当有100个样本数据时，我们会启动50次job。伪代码如下：

//1.调度器发现有2个样本

//2.1构造job对象

      //2.2构造task对象

      //2.3将2个样本 set到task对象中

//3.创建job并启动

上图是真实测试数据，蓝色是开始时间，黄色是结束时间。可以看出，总耗时8分钟，费用是3元（阿里 云结果）。

用弹性计算方式，有两个问题。频繁对OSS读写，会造成OSS挂掉；另外，弹性资源有限制 ，比如阿里云限制是300台机器。

接下来是单样本数据量大，样本很小的业务场景，这又应该怎么去做呢？

再来看一下之前出现过的这一张图。如果单样本数据量大，相对它进行加速，不适用弹性计算，必须对NGS流程中的算法进行优化（如各流程中所示）。

再来看看国际上，针对分布式计算的研究进展。Spark是伯克利大学的研究结果，而它还有一个ADAM的团队，它专门用于生物信息计算。Google有自己的Google Genomics，而英特尔、斯坦福和微软则是基于GATK进行加速，不过目前还没有成型。

国内目前没看到对生物信息用的算法进行加速，我们现在对NGS分析流程，基于分布式计算实现了加速。我们在fastQC、Trime、call SNP上都有进展。

最后介绍一下弹性分布式计算的架构图应该是怎么样的。底层是公有云，在这些IaaS上，我们会搭建一个NGS的IaaS层，把适合于HPC、Spark、Graph的集群通过转换器封装起来成一个计算模式，同时把OSS、SSD等封装起来（DataHub），为上层的PaaS服务。

。