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。