快速且經(jīng)濟(jì)高效的全基因組測序和分析可以迅速為患有罕見或未診斷疾病的危重患者提供答案。最近在加速臨床測序方面取得的進(jìn)展，例如創(chuàng)造世界紀(jì)錄 用于快速診斷的DNA測序技術(shù) ，使我們離在臨床環(huán)境中進(jìn)行全基因組基因診斷又近了一步。

斯坦福大學(xué)醫(yī)學(xué)院（ Stanford University School of Medicine ）、NVIDIA （ NVIDIA ）、谷歌（ Google ）、 UCSC 和牛津納米孔技術(shù)（ Oxford Nanopore Technologies ， ONT ）領(lǐng)導(dǎo)的一個(gè)團(tuán)隊(duì)最近使用這項(xiàng)技術(shù)來識(shí)別與疾病相關(guān)的基因變異，這些變異在短短 7 小時(shí) 18 分鐘內(nèi)就得到了診斷，結(jié)果于 2022 年 1 月發(fā)表在 新英格蘭醫(yī)學(xué)雜志 上。

這一創(chuàng)紀(jì)錄的端到端基因組工作流程依賴于創(chuàng)新技術(shù)和高性能計(jì)算。它利用長閱讀納米孔測序技術(shù)更好地分析結(jié)構(gòu)變體。這是在 48 個(gè)流動(dòng)池中實(shí)現(xiàn)的，優(yōu)化的方法使孔占有率達(dá)到 82% ，在短短幾個(gè)小時(shí)內(nèi)快速生成 202 千兆堿基。對(duì)輸出的分析分布在一個(gè)谷歌云計(jì)算環(huán)境中，包括 16 個(gè) 4xV100 GPU 實(shí)例（總計(jì) 64 GPU 個(gè)）的基調(diào)用和對(duì)齊，以及 14 個(gè) 4xP100 GPU 實(shí)例（總計(jì) 56 GPU 個(gè)）的變體調(diào)用。

自一月 NEJM 發(fā)表以來，NVIDIA Clara 團(tuán)隊(duì)一直在優(yōu)化 DGX-A100 的全基因組工作流程，使臨床醫(yī)生和研究者能夠在八 A100 GPU 上部署與世界記錄方法相同的分析，而在 4H10M 中部署 60X 全基因組（圖 1 ；在 HG00 參考樣品上標(biāo)明）。

圖 1 。 NVIDIA DGX-A100 上優(yōu)化的納米孔測序工作流程

這不僅可以在本地運(yùn)行的單服務(wù)器（ 8-GPU ）框架中實(shí)現(xiàn)快速分析，還可以將每個(gè)樣本的成本降低三分之二，從 568 美元降至 183 美元。

基本呼叫和對(duì)齊

堿基調(diào)用是將原始儀器信號(hào)分類為基因組堿基 A 、 C 、 G 和 T 的過程。這是確保所有下游分析任務(wù)準(zhǔn)確性的計(jì)算關(guān)鍵步驟。這也是一個(gè)重要的數(shù)據(jù)縮減步驟，將生成的數(shù)據(jù)縮減約 10 倍。

以每堿基 340 字節(jié)為單位，一個(gè)單一的 60 倍覆蓋率的整個(gè)基因組在原始信號(hào)中很容易達(dá)到數(shù)萬億字節(jié)，而在處理時(shí)則為數(shù)百千兆字節(jié)。因此，計(jì)算速度有利于與測序輸出速度相匹敵，這是非常重要的，通過 48 個(gè)流動(dòng)單元的 128000 個(gè)孔，以每秒約 450 個(gè)堿基的速度進(jìn)行。

ONT 的 PromethION P48 測序儀在 72 小時(shí)的運(yùn)行中可以產(chǎn)生多達(dá) 10 個(gè) Terabase ，相當(dāng)于 96 個(gè)人類基因組（覆蓋率為 30 倍）。

這項(xiàng)工作所需的快速分類任務(wù)已經(jīng)受益于深度學(xué)習(xí)創(chuàng)新和 GPU 加速。用于此目的的核心數(shù)據(jù)處理工具包 Guppy 使用遞歸神經(jīng)網(wǎng)絡(luò)（ RNN ）進(jìn)行基址調(diào)用，可以選擇更小（更快）或更大（更高精度）的遞歸層大小的三種不同架構(gòu)。

BaseCall 中的主要計(jì)算瓶頸是 RNN 內(nèi)核，它得益于 GPU 與 ONT 序列器的集成，例如桌面網(wǎng)格 Mk1 ，其中包括一個(gè) V100 GPU 和手持 MinION Mk1C ，其中包括一個(gè) Jetson 邊緣平臺(tái)。

比對(duì)是將合成的堿基 DNA 片段（現(xiàn)在是 As 、 Cs 、 Gs 和 Ts 的字符串形式）提取出來，并確定這些片段起源的基因組位置，通過大規(guī)模并行測序過程組裝完整基因組的過程。這基本上是從許多 100-100000 bp 長的讀取中重建全長基因組。就創(chuàng)造世界紀(jì)錄的樣本而言，總共有 1300 萬次閱讀。

在最初的世界記錄分析中， basecalling 和 alignment 分別在 Guppy 和 Minimap2 的不同實(shí)例上運(yùn)行。通過將其遷移到單服務(wù)器 DGX-A100 解決方案，并使用 Guppy 的集成 minimap2 aligner ，您可以立即節(jié)省 I / O 時(shí)間，并從 A100 用于 RNN 推斷的張量核心中獲益。通過在 DGX 上分別平衡八個(gè) A100 GPU 和 256 CPU 線程的基址調(diào)用和對(duì)齊，這兩個(gè)進(jìn)程可以完全重疊，以便與基址調(diào)用同時(shí)對(duì)齊讀取，不會(huì)對(duì)總運(yùn)行時(shí)間造成影響（《 1 分鐘）。

這使 DGX-A100 上的 basecalling 和校準(zhǔn)步驟的運(yùn)行時(shí)間變?yōu)?2h 46m ，這也可以與測序本身重疊。這與 60 倍樣本的預(yù)期測序時(shí)間相似。

變異呼叫

變體調(diào)用是工作流的一部分，旨在識(shí)別新組裝個(gè)體基因組中與參考基因組不同的所有點(diǎn)。這包括掃描基因組的全部寬度，以尋找不同類型的變異。例如，這可能包括小的單堿基對(duì)變體，一直到覆蓋數(shù)千個(gè)堿基對(duì)的大結(jié)構(gòu)變體。世界紀(jì)錄管道使用胡椒粉作為小變體，使用嗅探作為結(jié)構(gòu)變體。

PEPPER Margin DeepVariant 方法旨在優(yōu)化小變異，以實(shí)現(xiàn)納米孔測序產(chǎn)生的長讀。

PEPPER 通過 RNN 識(shí)別候選變體， RNN 由兩個(gè)雙向、選通、循環(huán)單元層和一個(gè)線性轉(zhuǎn)換層組成。

Margin 然后使用隱馬爾可夫模型方法進(jìn)行一個(gè)稱為單倍型的過程，確定哪些變體是從母系或父系染色體一起遺傳的。它將此信息傳遞給 Google DeepVariant ，以最大限度地提高雜合子變體調(diào)用的準(zhǔn)確性。

DeepVariant 通過一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)最終變體進(jìn)行分類，該網(wǎng)絡(luò)建立在 Inception v2 體系結(jié)構(gòu)之上，專門適用于 DNA 讀取堆積輸入圖像。

總的來說， PEPPER Margin DeepVariant 允許更快的 PEPPER 神經(jīng)網(wǎng)絡(luò)掃描整個(gè)基因組尋找候選基因，然后使用更大的 DeepVariant 神經(jīng)網(wǎng)絡(luò)對(duì)這些候選基因進(jìn)行高精度的變異調(diào)用。為了加速這條管道，世界紀(jì)錄工作流使用了 Parabricks DeepVariant ，這是一種 GPU 加速的實(shí)現(xiàn)，比 CPU 上的開源版本快 20 倍以上（圖 2 ）。

Clara 團(tuán)隊(duì)通過修改 PEPPER Margin 以集成方式運(yùn)行，按染色體分割數(shù)據(jù)，并在 GPU 上同時(shí)運(yùn)行程序，進(jìn)一步加快了速度。 PEPPER 還針對(duì)批量大小、工作人員數(shù)量和呼叫者數(shù)量等管道參數(shù)進(jìn)行了優(yōu)化，并對(duì) PyTorch 進(jìn)行了升級(jí)，以支持 NVIDIA 安培體系結(jié)構(gòu)加速 RNN 推理瓶頸。

對(duì)于結(jié)構(gòu)變量調(diào)用， Snifgles 升級(jí)為最近發(fā)布的 Snifgles 2 ，其效率要高得多，僅在 CPU 上的加速度為 38 倍。

所有這些改進(jìn)使 DGX-A100 的多變量調(diào)用階段的運(yùn)行時(shí)間達(dá)到 1h 24m 。

圖 2 。 Parabricks DeepVariant 支持在 ONT 數(shù)據(jù)上快速運(yùn)行

視頻 1 。危重病人超快速 DNA 測序技術(shù)的優(yōu)化

使用 NVIDIA DGX-A100 為實(shí)時(shí)測序供電

通過優(yōu)化 DGX A100 的世界記錄 DNA 測序技術(shù)，NVIDIA Clara 團(tuán)隊(duì)為實(shí)時(shí)測序提供了動(dòng)力，簡化了單個(gè)服務(wù)器上的復(fù)雜工作流，并且在達(dá)到最先進(jìn)性能的同時(shí)，將分析成本降低了 50% 以上。

關(guān)于作者

Harry Clifford：作為NVIDIA 基因組學(xué)的高級(jí)產(chǎn)品架構(gòu)師， Harry 致力于工程和產(chǎn)品開發(fā)之間的接口，利用NVIDIA 在人工智能、高性能計(jì)算（ HPC ）和數(shù)據(jù)分析堆棧方面的專業(yè)知識(shí)，以加速高精度解決方案解決基因組學(xué)工作流問題。他的背景是生物信息學(xué)和功能基因組學(xué)，包括來自牛津大學(xué)的博士學(xué)位、生物制藥行業(yè)和劍橋大學(xué)的博士后經(jīng)驗(yàn)以及生物技術(shù)領(lǐng)域的創(chuàng)業(yè)經(jīng)驗(yàn)。哈里在與人共同創(chuàng)立精準(zhǔn)腫瘤公司 CCG 后，被列入福布斯“ 30 歲以下”榜單。 ai （被 Dante Labs 收購），一家由 Y Combinator 和默克加速器支持的初創(chuàng)公司，通過深度學(xué)習(xí)和高級(jí)分析軟件提供決策支持。

審核編輯：郭婷