生命数字化时代来临：全基因组计算成本不到 1 美元

基因组序列分析是生命科学和医疗保健行业领域的重要组成部分，是众多技术突破的关键。随着生命数字化时代的来临，为了解决大数据带来的速度与费用问题，在云计算平台进行流程的分析及计算是目前较流行的方案。然而大部分用户通常直接采用了未优化的软硬件配置，导致样本分析成本过高。因此，如何在云平台上选择合适的硬件配置，从而平衡计算成本与分析速度，成为了值得探索的问题。

为此，Oracle 甲骨文云发布了相应的评测文章，该测试项目使用了 OCI 提供的最新的 ARM 和 x86 计算实例，利用 OCI 硬件资源分配与优化机制，搭配 Sentieon 软件进行了一系列的运算耗时和云成本估算的基准测试。旨在为用户实现全基因组二级分析的高效计算和低成本的最佳平衡。

在分析流程上，该项目选择了 Sentieon DNAseq（v202112.01）流程作为软件方案。Sentieon DNAseq 作为行业金标准 BWA-GATK 的直接替代品，不仅能提供与 BWA-GATK 流程一致的分析结果，而且灵活性强，运行速度更比 GATK 快 5-20 倍。

我们将在本篇文章中详细展示测试细节和深度分析，供生物大数据分析研究人员参考。

测试细节

测试环境

该项目测试工作使用了 OCI 提供的最新的 AMD、ARM 和 Intel 处理器。下表为各个云计算实例的配置情况。相比于其他云计算服务平台，OCI 的优势之一是允许用户灵活指定所需的 CPU 线程数，内存数，存储以及输入/输出，从而达到与应用流程的最佳适配和最优的使用成本。

测试设置

测试的分析流程使用了与行业金标准的 BWA-GATK 结果匹配的 Sentieon DNAseq 流程。该项目对七组 WGS 数据进行了基准测试和成本估算分析，测试结果发现所有数据集的运行时间和计算成本特征都表现相似。因此，测试结果的分析将重点关注其中的两个数据集，分别为 Illumina HiSeq X 和 Illumina NovaSeq 系统测出的 30X HG002 数据（无 PCR 样本）。

在参考基因的选择方面，相比于 GRCh37 版本，GRCh38 版本参考基因组可显著提升序列的完整性和准确度，已作为业界标准被广泛采用。因此该项目采用了 GRCh38 作为参考基因（包括 primary contigs 以及额外的 decoy contigs，不含 ALT contigs 或者 HLA 基因）；Benchmark 分析流程以 FASTQ 文件作为输入并生成 VCF 输出文件，流程步骤包括比对、排序、重复数据的删除、BQSR 及变异检测。

测试结果

测试项目依据不同的线程数，内存，以及存储资源的申请，创建了共计 11 个测试实例，具体配置以及计算成本的评估结果如下表所示。

说明：WGS 分析中涉及的其他操作，例如作业执行脚本的设置、输入数据的上传与输出数据的下载等，这些额外步骤所消耗的资源成本将分摊到各个测试实例上（表 2 中的评估数据不包含这部分的资源成本，也不包含生产云计算操作所需的其他资源成本，以及 Sentieon DNAseq 许可证成本）。另外这里额外增加了 0.0171 美元或 0.0457 美元，以对应 500-GB 或 1000-GB 存储系统的每小时资源成本。

测试结果显示，Sentieon DNAseq 在 OCI 的大部分 ARM 实例上实现了 30x WGS 的整体分析成本低于 1 美元，最低在 ARM-S 实例上处理 NovaSeq 30x WGS 成本 0.9 美元。

资源分析

资源监控

OCI 极佳的资源可调性确保了用户在配置全基因组以及其他分析流程时，可以找到速度与成本的最佳平衡点。同时 OCI 平台的控制面板也提供了资源监测工具，帮助用户确认所调用的运算资源是否匹配流程所需。如下图所展示的，是在 VM.Standard.A1.Flex 实例上运行全基因组分析时运算资源的表现。

我们知道在全基因组的二级分析流程中，比对和变异检测步骤主要依赖 CPU 的运算，而排序以及去重则是 I/O 需求较重的步骤。由测试结果可知，Sentieon DNAseq 流程工作时，在大部分时间段内的内存利用率均保持 90%左右，CPU 利用率近乎 100% ，只有在排序和去重步骤时稍低；这一结果与我们的预期一致。而在 IO 密集的工作阶段，磁盘 I/O 峰值已达到了 240 MB/s 的硬件限制。由此说明，Sentieon DNAseq 流程工作时可充分利用 OCI 平台提供的所有可用的硬件资源，实现最佳的运行效率。

CPU 性能

Sentieon DNAseq 可以通过在多台服务器上利用更多的 vCPU 并行运行，以进一步提高分析速度。此外，由结果可观察到尽管 ARM 处理器不支持超线程，但其仍可提供与 x86 相比具有竞争力的性能表现。

内存性能

为了准确地评估生产环境下测试机器的 I/O 能力，该测试项目中保留了 WGS 分析通常需要的所有关键输出文件，其中 NovaSeq 样本生成了大约 90 GB 的结果文件，而 HiSeq 生成了 120 GB 的结果文件。另外，测试发现，当磁盘容量（及相应的吞吐量性能）从 500 GB (240 MB/s) 增加到 1000 GB (480 MB/s) 时，程序 I/O 速度也有所提高。

可扩展性

将“通量”定义为每天能够处理的 30x 全基因组数据的个数，下图展示了不同实例的通量与所用线程的关系。其中 AMD-X shape 每天可以处理 32 个 30X 数据集，而 ARM-S shape 只能处理 10 个数据集。

同时，该图还展示了 Sentieon DNAseq 程序的可扩展性。由图可知，通量与所用线程成正比，表明 Sentieon DNAseq 扩展性优异，可最大程度地利用可用硬件资源。

结论

• OCI 提供的最新 ARM 实例能够很好的处理全基因组测序 (WGS) 二级分析类型的计算密集型和 I/O 密集型的 HPC 任务。此外，凭借 ARM 强大的计算速度和及更低的成本优势，OCI 的 ARM 实例可为用户提供性价比最佳的解决方案， 30X WGS 数据样本的 FASTQ-to-VCF 分析，计算成本不到 1 美元。

• OCI 平台可精确调节各项运算资源，可有效减少资源浪费，降低了用户的计算成本。

• Sentieon DNAseq 实施的全基因组测序 (WGS) 二级分析流程与行业标准的 BWA-GATK 最佳实践流程结果相匹配，且运行速度提高了 5-20 倍。同时，Sentieon 软件安装简单，开箱即用，并且提供了与 ARM 和 x86 指令集适配的版本。使 30X WGS 数据样本在 OCI 实例上的计算成本压缩到每个样本 1 美元以下，处理时间缩短到近一小时。

软件试用：Sentieon基因数据分析加速软件 -官方试用下载 (insvast.com)