在Seurat，我们选择使用future框架进行并行。如果您有兴趣了解更多有关future框架的内容，请点击此处了解全面而详细的描述。
如何在Seurat4.0使用并行
要访问 Seurat 中的并行函数版本，您需要加载future包并设置plan 。plan将指定如何运行该函数。默认行为是以非并行方式（按顺序）进行。为了实现并行，我们通常建议"多线程"策略。默认情况下，这将调用所有可用的核，但可以设置workers参数以限制同时活动future的数量。
library(future)
# check the current active plan
plan()
## sequential:
## - args: function (..., envir = parent.frame())
## - tweaked: FALSE
## - call: NULL
# change the current plan to access parallelization
plan("multiprocess", workers = 4)
plan()
## multiprocess:
## - args: function (..., envir = parent.frame(), workers = 4)
## - tweaked: TRUE
## - call: plan("multiprocess", workers = 4)
seurat的"futurized"功能
以下函数已被编写可以利用future 框架，如果设置适当的plan，将进行并行。
- NormalizeData()
- ScaleData()
- JackStraw()
- FindMarkers()
- FindIntegrationAnchors()
- FindClusters() - if clustering over multiple resolutions
例如，要运行并行版本，您只需要设置future 并照常调用FindMarkers()功能。
library(Seurat)
pbmc <- readRDS("../data/pbmc3k_final.rds")
# Enable parallelization
plan("multiprocess", workers = 4)
markers <- FindMarkers(pbmc, ident.1 = "NK", verbose = FALSE)
顺序与并行的比较
这里，我们将执行一个简单的比较，比较有和没有并行运行的时间差异。请注意，虽然我们预计使用并行策略将减少上述函数的运行时间，但这种减少的幅度将取决于许多因素（例如数据集的大小、线程数、系统的规格、future框架等）。以下基准是在运行 Ubuntu 16.04.5 LTS 的计算机上执行的，配置是 Intel(R) Core(TM) i7-6800K CPU @ 3.40GHz and 96 GB of RAM
library(ggplot2)
library(cowplot)
ggplot(timing.comparisons, aes(fxn, time)) + geom_bar(aes(fill = strategy), stat = "identity", position = "dodge") +
ylab("Time(s)") + xlab("Function") + theme_cowplot()
常见问题
我的进度栏去哪里了？
遗憾的是，在任何平行模式下运行这些函数时，您将失去进度栏。这是由于future框架和 R 中的一些技术限制造成的。如果要监控函数进度，则需要放弃并行化，选择使用plan("sequential")。如果我不断看到以下错误，该怎么办？
Error in getGlobalsAndPackages(expr, envir = envir, globals = TRUE) :
The total size of the X globals that need to be exported for the future expression ('FUN()') is X GiB.
This exceeds the maximum allowed size of 500.00 MiB (option 'future.globals.maxSize'). The X largest globals are ...
对于某些函数，每个线程需要访问某些全局变量。如果这些大于默认限制，将看到此错误。要绕过这一点，可以设置 options(future.globals.maxSize = X)，X 是字节中允许的最大值。因此，要将其设置为1GB，可运行options(future.globals.maxSize = 1000 * 1024^2)。请注意，这将增加RAM使用量，因此请注意设置合适的数字。
