當前隨著冷凍電鏡、蛋白質(zhì)組學、深度學習、基因測序、卷積神經(jīng)網(wǎng)絡(luò)、高性能計算、單細胞基因、數(shù)據(jù)挖掘、數(shù)據(jù)分析、靶點發(fā)現(xiàn)、晶體預(yù)測、AlphaFold等技術(shù)的快速發(fā)展，生命科學開始被逐漸被人們所重視。

生命科學行業(yè)涉及研究微生物、動植物等一切生物的科學領(lǐng)域，也包括生命倫理學等相關(guān)領(lǐng)域的考量。生命科學的研究對提高人類生活質(zhì)量有很大幫助。從全球范圍來看，21世紀以來，全球生命科學發(fā)展進入快車道，特別是人類基因組計劃的實施、干細胞研究的深入、克隆技術(shù)的不斷發(fā)展等因素將生命科學的發(fā)展推向了新的高度，同時相應(yīng)領(lǐng)域的研發(fā)投入也在不斷增加。作為強烈依賴科技信息技術(shù)的典型代表，生命科學行業(yè)的藥物研發(fā)和基因測序分析領(lǐng)域面臨著計算資源短缺、研發(fā)周期長等問題。

生命科學領(lǐng)域面臨的挑戰(zhàn)

清華大學生命科學學院生物計算平臺主管楊濤認為：冷凍電鏡目前在科研方向的挑戰(zhàn)分別是：數(shù)據(jù)管理的挑戰(zhàn)，科研進度的挑戰(zhàn)和實驗風險的挑戰(zhàn)。

一、數(shù)據(jù)管理

源于超量數(shù)據(jù)，在最大化壓縮的前提下，每天大約會產(chǎn)生4TB的數(shù)據(jù)量。為了使計算設(shè)備的效率最大化，需要365天不間斷工作。一年的數(shù)據(jù)總量非常驚人，給數(shù)據(jù)管理帶來巨大的挑戰(zhàn)。

二、科研管理

冷凍電鏡技術(shù)已經(jīng)備受認可，各科研機構(gòu)都在調(diào)動資源搶占高地，所以存在時間效率的問題，哪怕比別人慢半天，都會失去首發(fā)的價值。

三、實驗風險

這是一個非常長時間的實驗流水線，任何中間環(huán)節(jié)都存在風險。一旦不能及時解決風險，整個系統(tǒng)的產(chǎn)出就會大打折扣。

客戶需求

某學院單細胞基因組研究技術(shù)中心(簡稱“該中心”)旨在建立標準化、自動化的工程技術(shù)，提高單細胞結(jié)構(gòu)分析水平，高精度確定從蛋白質(zhì)分子到全細胞的三維結(jié)構(gòu)，并在此基礎(chǔ)上揭示蛋白質(zhì)及其復(fù)合體功能，大規(guī)模制備蛋白/抗體，建成具有國際一流水平和綜合示范功能的蛋白質(zhì)科學研究核心基地。

就生命科學研究項目而言，每個項目涉及的數(shù)據(jù)量小在上百TB。對于時間周期長、領(lǐng)域廣的項目，未來數(shù)據(jù)需求可能在PB級。此外，該中心需要考慮支持多種生命科學研究項目，而其中，不同應(yīng)用對高性能平臺計算環(huán)境有不同的要求，如基因測序需要高I/O性能和內(nèi)存大消耗，而分子動力學研究除了I/O性能外，還需要較高的網(wǎng)絡(luò)和并發(fā)處理能力。所有這些都對該中心構(gòu)建高性能平臺提出了挑戰(zhàn):

一、數(shù)據(jù)量增長10多倍，計算能力也要“跟上”

研究團隊采用的冷凍電鏡技術(shù)在近兩年取得了革命性的進展，具體來說就是相機技術(shù)實現(xiàn)了飛躍，采集數(shù)據(jù)的能力提高了10多倍，甚至上百倍，從而使得研究蛋白質(zhì)結(jié)構(gòu)的源數(shù)據(jù)呈幾何級數(shù)增長，這就需要中心在后期全面提升數(shù)據(jù)處理和計算能力。

二、亟需簡化管理保障服務(wù)品質(zhì)

隨著生命科學研究項目越來越多，如何根據(jù)不同項目和研究人員個性化需求分配資源，及時回收資源，實現(xiàn)跨整個高性能資源池的集中統(tǒng)一管理，簡化維護管理，減輕運維人員負擔，是科研高性能計算平臺普遍面臨問題。

三、TCO居高不下

生命科學研究迅速成為國家戰(zhàn)略發(fā)展方向，導(dǎo)致研究項目和跨學科研究需求快速增加。傳統(tǒng)的分層計算存儲資源利用率低，導(dǎo)致新增費用快速增加。此外，能耗也成為阻礙高性能計算中心擴展的不可逾越的“高墻”。

四、網(wǎng)絡(luò)性能不能拖后腿

作為保證高性能集群正常運行的關(guān)鍵，高性能網(wǎng)絡(luò)承擔著重要的連接任務(wù)。隨著單節(jié)點計算和存儲性能的不斷提升，高性能用戶需要萬兆，四萬兆，十萬兆，InfiniBand網(wǎng)絡(luò)選擇以滿足不同的高性能計算需求。

解決方案特點

藍海大腦基于融合架構(gòu)助力某學院單細胞基因組研究技術(shù)中心搭建了一個分布式高性能平臺，擁有250個物理計算節(jié)點，5000個計算核心，總存儲容量1.92PB，理論計算能力208Tflops。通過Lustre技術(shù)實現(xiàn)了跨20個融合架構(gòu)的集中統(tǒng)一管理。

一、4.1TFLOPS/U的計算密度，4倍性能提升

可針對不同項目量身定制配置。其中，高密度計算節(jié)點支持14核英特爾?至強TM E5-2600v3處理器，在2U中擁有224個計算核心的密度，單U空間的計算性能密度達到業(yè)界領(lǐng)先的4.1TFLOPS，同時支持64個DIMM高密度內(nèi)存，確保高性能和低延遲的性能要求。此外，還支持InfiniBand接口，非常適合要求超低延遲的工作負載。在強大計算能力的保證下，計算效率提升3-4倍，過去4-5天才能完成的計算任務(wù)，一天就能完成。

二、簡化高性能資源池監(jiān)控管理

根據(jù)項目要求定制不同的系統(tǒng)配置，同時通過機箱管理控制器(CMC)，可以集中監(jiān)控和管理20個FX系統(tǒng)。此外，無代理生命周期管理和一對多遠程管理功能可確保BIOS和固件程序更新不會影響業(yè)務(wù)穩(wěn)定性，并提高系統(tǒng)中計算節(jié)點生命周期管理的效率。而且在擴展服務(wù)器時，IT人員可以通過下發(fā)配置文件，使系統(tǒng)自動更新BIOS和固件程序，避免了重復(fù)輸入配置參數(shù)的繁瑣過程，減少了人工輸入錯誤導(dǎo)致的系統(tǒng)故障，簡化了管理運維，降低了管理費用。

三、TCO降低約20%

自動化、高密度、低能耗的集成部署、集中統(tǒng)一管理，可以使中心的TCO降低20%左右。其中，藍海大腦將通過主板連接服務(wù)器、存儲和1G0b網(wǎng)絡(luò)，通過模塊化設(shè)計形成融合一體機，同時提供散熱、供電、網(wǎng)絡(luò)、管理和PCIe擴展的共享插槽，降低數(shù)據(jù)中心的占地和能耗，幫助中心獲得良好的性價比。

四、高速網(wǎng)絡(luò)保障平臺I/O性能

藍海大腦為中心提供四萬兆高性能網(wǎng)絡(luò)，在保持成本優(yōu)勢的基礎(chǔ)上，為用戶提供穩(wěn)定的網(wǎng)絡(luò)性能，保證高性能、低延遲要求。

五、打破原有的服務(wù)器散熱方式，采用液冷散熱

藍海大腦液冷服務(wù)器系統(tǒng)突破傳統(tǒng)風冷散熱模式，采用風冷和液冷混合散熱模式——服務(wù)器內(nèi)主要熱源 CPU 利用液冷冷板進行冷卻，其余熱源仍采用風冷方式進行冷卻。通過這種混合制冷方式，可大幅提升服務(wù)器散熱效率，同時，降低主要熱源 CPU 散熱所耗電能，并增強服務(wù)器可靠性。經(jīng)檢測，采用液冷服務(wù)器配套基礎(chǔ)設(shè)施解決方案的數(shù)據(jù)中心年均 PUE 值可降低至 1.2 以下。

客戶收益

一、藍海大腦HPC高性能計算與AI平臺已成為高性能、多功能、專業(yè)的前沿計算平臺，尤其在AI深度學習方面，為校內(nèi)外生物學研究提供高效的計算支持。同時為計算生物學、深度學習、基因測序等多個研究組提供計算服務(wù)。包括測序儀的離線處理、序列搜尋比對分析、分子動力學模擬、計算機輔助藥物設(shè)計和分子對接、生物網(wǎng)絡(luò)的計算。

二、全力支持基于深度學習的分子圖編碼和基于深度學習的中藥方劑系統(tǒng)的研發(fā)。研發(fā)人員可以利用HPC高性能計算和AI平臺開發(fā)基于三維分子圖譜的深度學習編碼，進行基于深度學習的中醫(yī)診斷處方。多任務(wù)分子預(yù)測模型由卷積神經(jīng)網(wǎng)絡(luò)或遞歸神經(jīng)網(wǎng)絡(luò)構(gòu)成。交叉驗證用于調(diào)整和驗證參數(shù)，外部數(shù)據(jù)用于測試和評估模型。同時，從預(yù)測模型中挖掘關(guān)鍵信息。同時通過卷積神經(jīng)網(wǎng)絡(luò)或遞歸神經(jīng)網(wǎng)絡(luò)學習大量的方劑配伍信息，然后用主藥生成語義自動關(guān)聯(lián)分析得到的輔藥，從而生成新的方劑。藍海大腦HPC高性能計算和AI平臺提供了高效并行的計算資源，大大加快了模型的訓(xùn)練速度，從而在有效的時間內(nèi)完成最終的任務(wù)。

三、支持基于化學片段的從頭計算藥物設(shè)計，對疾病的治療和生物學功能的理解有重要的促進作用。傳統(tǒng)的藥物篩選過程耗時長，成本高，導(dǎo)致整個藥物設(shè)計和發(fā)現(xiàn)過程效率低下。為了加快藥物設(shè)計和發(fā)現(xiàn)的進程，研究人員利用這一平臺逐步發(fā)展了分子從頭設(shè)計的方法，并取得了良好的效果。研究人員通過蒙特卡洛樹搜索和神經(jīng)網(wǎng)絡(luò)模型的結(jié)合，實現(xiàn)了巨大化學空間的搜索和最優(yōu)結(jié)構(gòu)的采樣，快速完成了完整的從頭計算藥物設(shè)計過程，并探索了蛋白質(zhì)口袋表征和評分功能。

四、利用深度學習框架構(gòu)建深度學習模型，加強學習模型的訓(xùn)練，實現(xiàn)深度學習的評分函數(shù)模型的訓(xùn)練和測試，并對模型進行訓(xùn)練。對于模型生成的分子，通過聚類分析分子的合成、毒性和理化性質(zhì)，選擇合適的分子。

審核編輯 黃昊宇