摘要：阿里云基因數(shù)據(jù)服務不斷提升極致彈性的計算能力，和大規(guī)模并行處理能力，以及海量高速存儲來幫助基因公司快速自動化處理每天幾十上百的下機數(shù)據(jù)，并產(chǎn)通過標準產(chǎn)出高質量的變異數(shù)據(jù)。

摘要：?一家大型基因測序功能公司每日會產(chǎn)生 10TB 到 100TB 的下機數(shù)據(jù)，大數(shù)據(jù)生信分析平臺需要達到 PB 級別的數(shù)據(jù)處理能力。這背后是生物科技和計算機科技的雙向支撐：測序應用從科研逐步走向臨床應用，計算模式從離線向在線演進，交付效率越來越重要。

作者李鵬，原文首發(fā)于InfoQ，《容器混合云，Kubernetes 助力基因分析》

James Watson 和 Francis Crick 于 1953 年發(fā)現(xiàn)了 DNA 的雙螺旋結構，從此揭開了物種進化和遺傳的神秘面紗，開啟了人類對數(shù)字化遺傳的認知，但是人類基因奧秘卻是一點點被讀懂的。

1956 年，一則癌癥和染色體相關性的發(fā)現(xiàn)令整個癌癥研究界震動：慢性骨髓性白血病（CML）患者的第 22 號染色體，比一般然明顯短很多。二十余年后，學者們發(fā)現(xiàn)，9 號染色體的 Abl 基因，與 22 號染色體的 BCR 基因連到了一塊，交錯易位產(chǎn)生了一條 BCR-Abl 融合基因。BCR-Abl 蛋白一直處于活躍狀態(tài)且不受控制，引發(fā)不受控的細胞分裂，從而導致癌癥。

也就是說，只要細胞表達 BCR-Abl 蛋白，就有血癌風險。美國著手深入研究，并成功推出了治療慢性骨髓性白血病的新藥。這，就是格列衛(wèi)，也是去年《我不是藥神》中被我們熟知的‘高價藥’。

在格列衛(wèi)誕生前，只有 30% 的慢性骨髓性白血病患者能在確診后活過 5 年。格列衛(wèi)將這一數(shù)字從 30% 提高到了 89%，且在 5 年后，依舊有 98% 的患者取得了血液學上的完全緩解。為此，它也被列入了世界衛(wèi)生組織的基本藥物標準清單，被認為是醫(yī)療系統(tǒng)中“最為有效、最為安全，滿足最重大需求”的基本藥物之一。

基因測序在血液腫瘤領域應用的越來越廣泛。根據(jù)病人的診斷結果, 血液腫瘤?？漆t(yī)生會選擇相應的檢查，比如 PCR 結合實時熒光探針技術， 來檢測測 BCR-Abl 融合基因， 以診斷慢性骨髓性白血病， 也可以通過二代測序方式，SEGF（Single-end Gene Fusion）能夠通過單端 NGS 測序數(shù)據(jù)檢測復雜的基因融合類型。

在另一面，無創(chuàng)產(chǎn)檢唐氏／愛德華式篩查，近年來以高準確率和對胎兒的低風險，越來越受到國內(nèi)年輕產(chǎn)婦的歡迎?；蚬久磕甓纪瓿蓭资f例的 NIPT 檢查，每一例的 NIPT 涉及到數(shù)百 MB+ 的數(shù)據(jù)處理，存儲和報告生成。一家大型基因測序功能公司每日會產(chǎn)生 10TB 到 100TB 的下機數(shù)據(jù)，大數(shù)據(jù)生信分析平臺需要達到 PB 級別的數(shù)據(jù)處理能力。這背后是生物科技和計算機科技的雙向支撐：測序應用從科研逐步走向臨床應用，計算模式從離線向在線演進，交付效率越來越重要。

基因計算面臨以下幾方面挑戰(zhàn)：

1.數(shù)據(jù)存儲：數(shù)據(jù)增長快，存儲費用高，管理困難；長期保存數(shù)據(jù)可靠性難以保障；需要尋求低成本大數(shù)據(jù)量的數(shù)據(jù)壓縮方式；元數(shù)據(jù)管理混亂，數(shù)據(jù)清理困難。
2.分發(fā)共享：海量數(shù)據(jù)需要快速、安全的分發(fā)到國內(nèi)多地及海外；傳統(tǒng)硬盤寄送方式周期長，可靠性低；多地中心數(shù)據(jù)需要共享訪問。
3.計算分析：批量樣本處理時間長，資源需求峰谷明顯，難以規(guī)劃；大規(guī)模樣本的數(shù)據(jù)挖掘需要海量計算資源，本地集群難以滿足；計算工作1. 3. 流流程遷移困難、線上線下調(diào)度困難、跨地域管理困難；線下彈性能力差，按需計算需求。
4.安全合規(guī)：基因數(shù)據(jù)安全隱私要求極高；自建數(shù)據(jù)中心安全防護能力不足；數(shù)據(jù)合約（區(qū)塊鏈）；RAM 子賬號支持。

而這樣看來一套完備架構方案則是必不可少的。與傳統(tǒng)高性能計算相比，按需切分任務的需求，自動從云中申請資源，自動伸縮能力達到最小化資源持有成本，90% 以上的資源使用率，用完后自動返還計算資源。最大化資源的使用效率，最低單樣本的處理成本，最快速的完成大批量樣本的處理。隨著基因測序業(yè)務增長，自動完成線下資源使用，和線上資源擴容。高速內(nèi)網(wǎng)帶寬，和高吞吐的存儲，和幾乎無限的存儲空間。

基因計算不同于常規(guī)的計算，對海量數(shù)據(jù)計算和存儲能力都提出了很高的要求。主要通過容器計算的自動伸縮特性和阿里云 ECS 的自動伸縮能力的打通，可以大規(guī)模彈性調(diào)度云上的計算資源。通過對基因數(shù)據(jù)的合理切分，實現(xiàn)大規(guī)模的并行計算同時處理 TB 級別的樣本數(shù)據(jù)。通過按需獲取的計算能力，以及高吞吐的對象存儲的使用，大幅降低了計算資源持有的成本和單個樣本的處理成本。

整體技術架構是云原生容器混合云，云上云下資源一體，跨地域集群統(tǒng)一管理。作為主要 Player，容器技術在數(shù)據(jù)分拆，數(shù)據(jù)質量控制，Call 變異提供了標準化流程化、加速、彈性、鑒權、觀測、度量等能力，在另外一方面，高價值挖掘需要借助容器化的機器學習平臺和并行框架對基因、蛋白質、醫(yī)療數(shù)據(jù)完成大規(guī)模線性代數(shù)計算來建立模型，從而使精準醫(yī)療能力成為現(xiàn)實。

數(shù)據(jù)遷移與傳輸
數(shù)據(jù)遷移、數(shù)據(jù)拆分階段百萬小文件的讀取對底層的文件系統(tǒng)壓力，通過避免不必要小文件的讀寫提高樣本的處理效率。 通過數(shù)據(jù)中心與阿里云的專線連接，實現(xiàn)高吞吐低延遲的數(shù)據(jù)上云以及與工作流結合的上云、校驗、檢測方式。而最終需要達成的目標是：在短時間內(nèi)完成數(shù)十 TB 級數(shù)據(jù)的加密搬遷，確保數(shù)據(jù)傳輸客戶端的高性能與安全性，實現(xiàn)并發(fā)傳輸、斷點續(xù)傳，且保有完善的訪問授權控制。

基因計算典型任務：增強型工作流
基因計算的典型特征就是數(shù)據(jù)分批計算，需要按照特定步驟先后依次完成。將該問題抽象后，即需要申明式工作流定義 AGS(AlibabaCloud Genomics Service) workflow。

其工作流的特點是：多層次，有向無環(huán)圖?？蒲写蠊ぷ髁?1000-5000+ 深度的 DAG，需要準確的流程狀態(tài)監(jiān)控和高度的流程穩(wěn)定性。簡單流程從任意步驟重現(xiàn)啟動 ，失敗步驟可以自動完成重試和繼續(xù)，定時任務，通知，日志，審計，查詢，統(tǒng)一操作入口 CLI/UI 。

我們采用的方案是：

1.簡單 YAML 申明式定義，多層次，有向無環(huán)圖, 復雜依賴支持, 任務自動分拆，自動并行化；

2.云原生，與社區(qū) Argo 完全兼容的增強性 Workflow 定義；

3.實時資源統(tǒng)計，監(jiān)控集成云監(jiān)控，云日志 SLS 集成, 審計集成, 定時任務；

4.統(tǒng)一操作入口 ags-cli 與 Kubectl 集成；

5.阿里云存儲卷申明式支持，NAS，OSS，CloudDisk, 緩存加速支持。

云上云下資源的統(tǒng)一調(diào)度
通過跨越 IDC 和云上可用區(qū)的混合云 ACK 集群實現(xiàn)計算資源的統(tǒng)一調(diào)度和數(shù)據(jù)的云端匯聚。自動化，流程化上云數(shù)據(jù)，和后續(xù)的數(shù)據(jù)處理流程，形成 24 小時內(nèi)完成批次下機數(shù)據(jù)的本地， 上云，云端處理和報告生成。按需彈性提供計算節(jié)點或者無服務化計算資源，形成按需計算能力，處理突發(fā)分析任務。我所帶領的阿里云基因數(shù)據(jù)服務團隊努力構建更具彈性的容器化集群，分鐘級數(shù)百節(jié)點自動伸縮能力和分鐘級數(shù)千輕量容器拉起的 Serverless 能力， 通過提高并行度來提高內(nèi)網(wǎng)帶寬的利用率，最終提高整體數(shù)據(jù)吞吐率，通過 NAS 客戶端和服務端的 TCP 優(yōu)化來提高 IO 讀寫速度，通過為 OSS 增加緩存層和分布式的緩存來實現(xiàn)對象存儲讀取加速等等。

還有很多問題，篇幅原因在此不一一展開：如何進行基因數(shù)據(jù)管理、最優(yōu)化單位數(shù)據(jù)處理成本、采用批量計算的方式進行對樣本分析、怎樣使得基因數(shù)據(jù)處理安全及跨組織安全分享等等。

NovaSeq 測序儀帶來了低成本（100$/WGS）高產(chǎn)出（6TB 通量）的二代測序方案，大量 NovaSeq 的使用為基因測序公司每天產(chǎn)出的幾十 TB 數(shù)據(jù)，這就要求大量的算力來分拆和發(fā)現(xiàn)變異，以及需要大量的存儲來保存原始數(shù)據(jù)和變異數(shù)據(jù)。阿里云基因數(shù)據(jù)服務不斷提升極致彈性的計算能力，和大規(guī)模并行處理能力，以及海量高速存儲來幫助基因公司快速自動化處理每天幾十上百 TB 的下機數(shù)據(jù)，并產(chǎn)通過 GATK 標準產(chǎn)出高質量的變異數(shù)據(jù)。

以 PacBio 和 Nanopore 為代表的三代測序的出現(xiàn)，超過 30K 到數(shù)百 K 的長讀，和 20GB 到 15TB 的大通量產(chǎn)出，長讀和數(shù)據(jù)量對數(shù)據(jù)比對，分拆，發(fā)現(xiàn)變異帶來了更大的算力需要和高 IO 吞吐的需求，對基因計算過程中優(yōu)化基因分析流程，拆分數(shù)據(jù)，按需調(diào)度大量計算資源，提供超高的 IO 吞吐帶來了更大的挑戰(zhàn)。

解碼未知，丈量生命。科技的每一小步，都會成為人類前行的一大步。

本文作者：李鵬（Eric Li），阿里云資深架構師，數(shù)據(jù)科學家，美國 FDA2018 精準醫(yī)療大賽Top2 Winner ，金融／生物計算行業(yè)解決方案專家，專注于基于 Kubernetes 的容器產(chǎn)品開發(fā)和銀行，生信行業(yè)的生產(chǎn)落地。在加入阿里云之前，曾在 IBM 擔任 Watson 數(shù)據(jù)服務容器平臺首席架構師，機器學習平臺架構師，IBM 2015 Spark 全球大賽金獎獲得者，帶領多個大型開發(fā)項目，涵蓋云計算，數(shù)據(jù)庫性能工具、分布式架構、生物計算，大數(shù)據(jù)和機器學習。

閱讀原文

本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉載。