新手如何開始基因組測(cè)序數(shù)據(jù)分析

作為生命科學(xué)領(lǐng)域的“圈內(nèi)人”，如果你還不知曉近期基因組測(cè)序的飛速發(fā)展，那你就實(shí)在太out了。。。這項(xiàng)技術(shù)在短短5年時(shí)間里，從一種令人仰望的技術(shù)變成了實(shí)驗(yàn)室里的常規(guī)操作，僅僅就去年一年時(shí)間，這項(xiàng)技術(shù)就應(yīng)用到了千人基因組計(jì)劃、人類微生物計(jì)劃這兩項(xiàng)重要的研究項(xiàng)目中，識(shí)別了大量孟德爾遺傳疾病相關(guān)的基因，比如朱伯特綜合癥（Joubert Syndrome），米勒費(fèi)雪綜合癥（Miller Syndrome），還破解了蘋果，虱子，以及前段時(shí)間侵襲海地的霍亂弧菌的基因組，實(shí)力確實(shí)不可小窺。

然而由于這一領(lǐng)域的發(fā)展速度飛快，因此一些新接觸的實(shí)驗(yàn)人員可能會(huì)感到茫然無措：雖然這些研究人員都具有實(shí)體測(cè)序?qū)嶒?yàn)操作經(jīng)驗(yàn)，但是如何處理獲得的龐大數(shù)據(jù)是一個(gè)巨大挑戰(zhàn)。幸運(yùn)的是，目前已經(jīng)有了一些免費(fèi)的，或者說是低成本的多元化工具，以及活躍的用戶群，可以幫助我們解決其中的一些問題，包括大部分新手都會(huì)提的一個(gè)問題——從那兒開始？以下的這些測(cè)序?qū)＜視?huì)從這一zui常見的新手問題開始，一一幫助我們解答疑惑。

需要什么IT基礎(chǔ)設(shè)備？

簡而言之：視情況而定。測(cè)序數(shù)據(jù)集信息量都很大，但不是所有的數(shù)據(jù)集都一樣，比如說，*基因組測(cè)序項(xiàng)目包括原始測(cè)序數(shù)據(jù)，比對(duì)數(shù)據(jù)，變異檢出數(shù)據(jù)等，每個(gè)樣品都能達(dá)到上百GB，而像ChIP-Seq數(shù)據(jù)集（例如染色體免疫共沉淀實(shí)驗(yàn)數(shù)據(jù)）就小得多了，才幾個(gè)GB而已。

因此要回答需要多少空間來存儲(chǔ)所有數(shù)據(jù)這個(gè)問題，也是視情況而定。弗吉尼亞州立聯(lián)邦大學(xué)生物標(biāo)記研究及個(gè)性化醫(yī)療中心有一臺(tái)2010年早期購買的ABI SOLiD 4測(cè)序儀，目前這個(gè)中心有大約35TB（即35000GB）的磁盤空間來存儲(chǔ)數(shù)據(jù)，其中一些保存在實(shí)驗(yàn)室內(nèi)，但是大部分實(shí)際上都外包了，比如1575個(gè)個(gè)體甲基化測(cè)序數(shù)據(jù)。中心主任Edwin van den Oord說，“僅僅是實(shí)驗(yàn)室里產(chǎn)生的數(shù)據(jù)不需要這么大的空間”，但即使是35TB的空間還是不夠的，“我們需要購買更多的磁盤才能分析這些數(shù)據(jù)”。來自杜克大學(xué)的Kevin Shianna實(shí)驗(yàn)室完成了200個(gè)*基因組測(cè)序，以及另外100個(gè)基因組外顯子（即蛋白編碼區(qū)域）測(cè)序，目前他們有300TB磁盤空間，而且其中大部分都是滿的！

除了磁盤空間外，另外一個(gè)關(guān)鍵的元素就是電腦的運(yùn)作能力，數(shù)據(jù)文件如此之大，往往不能通過臺(tái)式機(jī)來準(zhǔn)確分析，因此需要計(jì)算機(jī)PC集群（cluster）——一種特別的ad-hoc超級(jí)電腦（ad-hoc：電腦到電腦網(wǎng)絡(luò)），電腦之間通過網(wǎng)絡(luò)鏈接，由許多小電腦并聯(lián)組成。舉例而言，杜克大學(xué)所用的一種軟件工具：Sequence Variant Analyzer（能注釋基因變異，以及這些變異在基因組中位置）就是“一個(gè)內(nèi)存怪獸”，Shianna說，“它至少需要24-32GB的內(nèi)存空間。”

如果沒有這些設(shè)備該怎么辦？

許多高校都提供集群資源服務(wù)，但也不是每個(gè)都有，對(duì)于沒有集群設(shè)施的研究人員來說，可以尋找一些Web，云模式（cloud-based）為基礎(chǔ)的來替代，比如Amazon Web Services，這是一種可以提供基礎(chǔ)設(shè)施的計(jì)算平臺(tái)服務(wù)，包括云計(jì)算平臺(tái)EC2（Elastic Compute Cloud）——擁有幾乎無限的計(jì)算設(shè)施，和云儲(chǔ)存服務(wù)S3（simple storage service）——提供在線存儲(chǔ)服務(wù)。每個(gè)人都可以在AWS上建立自己的戶頭，這要求有一臺(tái)實(shí)體的機(jī)器，一個(gè)計(jì)算機(jī)界面來連接網(wǎng)絡(luò)，然后通過Amazon的云服務(wù)進(jìn)行數(shù)據(jù)分析。

這種付費(fèi)系統(tǒng)靈活性很大，通過Amazon（或其它的云服務(wù)平臺(tái)，比如Google和Microsoft）完成繁重的高計(jì)算量任務(wù)，研究人員就能從購買，維修和升級(jí)IT設(shè)備這些繁雜的事情中脫身，DNAnexus公司總裁Andreas Sundquist說，“我看到Amazon預(yù)算好像訂了十萬個(gè)CPU，還有上百個(gè)PB（1PB=1000TB）磁盤”，“世界上能接觸到這么多計(jì)算機(jī)和磁盤的地方非常少”，一些無私的研究人員還研發(fā)了一種預(yù)先組態(tài)（preconfigured）生物信息學(xué)為基礎(chǔ)的虛擬Linux機(jī)器，作為一個(gè)Amazon鏡像系統(tǒng)（Amazon Machine Image），這種打包的服務(wù)器環(huán)境能運(yùn)行需要的軟件和應(yīng)用程序，

除此之外，還可以試試賓州的Galaxy （galaxy.psu.edu/），其網(wǎng)頁介紹道，“Galaxy能幫助你完成其它任何地方都無法完成的分析，而且無需安裝或者下載任何東西，你可以分析多重比對(duì)，比較基因組注釋，解析宏基因組樣品等更多得多的應(yīng)用”，這一系統(tǒng)包含有大量的文檔資料和教程視頻，來自凱撒西儲(chǔ)大學(xué)的Mark Adams將Galaxy稱為“一個(gè)能整合不同類別數(shù)據(jù)，查詢數(shù)據(jù)，協(xié)調(diào)性尤其好的系統(tǒng)”。

對(duì)于云計(jì)算有更高要求的研究人員就可以嘗試下一些商業(yè)公司，比如 DNAnexus （dnanexus.com）和GenomeQuest （www.genomequest.com），前者可以通過直接上傳，或者聯(lián)網(wǎng)的測(cè)序儀上接收數(shù)據(jù)，進(jìn)行變異查找，RNA表達(dá)分析和ChIP-Seq分析。Sundquist說，“你不用考慮這些分析在哪里進(jìn)行，也不用考慮結(jié)果存儲(chǔ)在哪里，這些DNAnexus云計(jì)算都能幫你做到”。這些服務(wù)（AWS）的價(jià)格是20美元/GB/2年（科研單位），5美元/GB（測(cè)序機(jī)構(gòu)）。