DRAGEN: 硬件和软件共同加速的变异检测工具

DRAGEN

这是一篇工具介绍贴,考虑这个工具是要钱的,那些动不动就说别人忘了初心的用户肯定认为我写的是软文,所以这些人就不要继续往下看了。

变异检测的软件目前虽然有很多,SAMtools/BCFtools, GATK, FreeBayes等,但是我看到的大部分文章都是用GATK UG/HC。GATK的速度是有目共睹的慢,不过我平时就分析几个重测序样品,基本上过个两天就能出结果,所以速度不是我的刚需。

如果想要追求速度的话,一种思路是可以将参考基因组进行分割,然后分别并行运算加速,或者搭建Spark环境,用GATK4的Spark模式。还有一种就是根据GATK的算法思想,用C/C++重新写软件。去年的时候我看到了一个软件叫做sentieon,用C/C++实现了GATK的算法,瞬间速度就上来了,这是一个商业公司的收费软件,目前国内用的比较少。

我原本以为这个速度已经够快的,直到我最近去demo了另一个软件,edico公司开发的DRAGEN,这个效率简直是丧心病狂。它从硬件和软件上同时进行加速

  • 需要购买他们公司的硬件,128G内存,56线程,2T固态硬盘,以及一个FPGA芯片
  • 比对这一步的算法基于而不是BWT转换(这就是为什么要128G内存)
  • 比对之前要将索引加载到芯片中,所以每次只能比对一个任务
  • 由于IO读写是非常大瓶颈,所以采用了固态硬盘
  • 程序由C/C++开发,所以效率极高

为啥我要去demo这个工具呢,主要因为最近服务器资源紧缺(因为之前用的服务器要么是合租的,要么是蹭别人的),而老板又在催进度,而要买的服务器还在路上。就在这走投无路的情况下,我突然想起2个月之前和这个设备的负责人说要去测试一下(换句话说,我放了他两个月的鸽子。。)

看完软件说明书,我就坐着地铁揣着硬盘,硬盘里装着一个260M的基因组和230个GBS测序的数据(80G)跑到仁科生物公司以测试软件之名实为蹭别人的服务器。

首先我把数据一股脑地全从硬盘里拷到固态硬盘挂载的 /staging

然后是建立索引:

dragen -h-ht-reference reference.fa --output-directory reference --build-hash-table true

接着我现场写了一个shell脚本用来批量分析,命名为 run_dragen.sh

#!/bin/bash
set -e
set -u
set -o pipefail
REF=$1
SAMPLES=$2
samples=$(cat $SAMPLES)
# loading hash table
dragen -l -r $REF
# calling gvcf for each sample
mkdir -p GVCF
for sample in ${samples}
do
    prefix=$(basename ${sample})
    if [ ! -f GVCF/${prefix}.done ]; then
    dragen -f -r $REF \
        -1 ${sample}.1.fq.gz -2 ${sample}.2.fq.gz \
        --enable-variant-caller true \
        --vc-emit-ref-confidence GVCF \
        --vc-sample-name ${prefix} \
        --output-directory GVCF \
        --output-file-prefix ${prefix} \
        --enable-duplicate-marking false \
        --enable-map-align-output true
    touch GVCF/${prefix}.done
    fi
done
find GVCF/ -name "*.gvcf.gz" | grep -v "hard" > gvcfs.list
# merge gvcf and join calling
mkdir -p vcf_result
if [ -f gvcfs.list -a ! -f vcf_result/combine.gvcf.gz]; then
    dragen -f -r $REF \
        --enable-combinegvcfs true \
        --output-directory vcf_result \
        --output-file-prefix combine\
        --variant-list gvcfs.listfi
if [ ! -f vcf_result/join_calling.vcf.gz ]
then
    dragen -f -r $REF \
        --enable-joint-genotyping true \
        --output-directory vcf_result \
        --output-file-prefix joint_calling\
        --variant vcf_result/combine.gvcf.gzfi

运行方法:

# 创建一个文件存放待分析的样本
find /staging/xuzhougeng/00-raw-data/ -name "*.fq.gz"| sed 's/\(.*\)\.[12].fq.gz/\1/' | uniq > samples.txt
# 执行命令, 参数分别是索引的文件夹和样本文件
bash run_dragen.sh reference samples.txt &> run.log &

按照我的估算,每个样本至少得要花个20分钟得到GVCF文件吧,毕竟我用BWA-MEM10个线程进行比对也要10min呀。事实证明我还是低估了程序猿的能力值,每个GBS样品得到GVCF文件居然只要不到1min。。

RUN TIME,,Total runtime,00:00:56.528,56.53

得到的GVCF可以进行合并,但是有一个问题,就是超过200样本就会出错,而且Join calling运行也不需要combine,所以后续的代码就删掉了merge这一步

...find GVCF/ -name "*.gvcf.gz" | grep -v "hard" > gvcfs.list
# join callingif [ ! -f vcf_result/join_calling.vcf.gz ]t
hen    dragen -f -r $REF \
        --enable-joint-genotyping true \
        --output-directory vcf_result \
        --output-file-prefix joint_calling\
        --variant-list gvcfs.listfi

在Joint Calling步骤花的时间比较长,时间是"RUN TIME,,Total runtime,00:14:24.272,864.27".

虽然软件运行速度是很快,但是写出上面的代码并且调试却花了我好久时间,于是这两天时间我就在公司里敲代码。除了GBS数据,第二天我还带着另一个260M基因组(Canu初步组装和arrow polish后到版本)和一个100X重测序数据(压缩后10G数据)去测试,分别在固态硬盘和我的移动硬盘里测试,结果如下:

固态硬盘 draft.fa: 06:31(mapping) + 28.17 (varaint calling) 
普通移动硬盘 draft.fa: 28.33(mapping) + 29.03 (varaint calling)
固态硬盘 polish.fa: 06:09(mapping) + 13.093(variant calling)
普通移动硬盘 polish.fa: 27.46(mapping) + 13.33(varint calling)

这里有两个结论

  • 是比对的IO对速度影响非常大,也就是要一定要在固态硬盘里发挥它最大的威力。
  • 重测序样本与参考基因组的差异程序影响variant calling这一步。

从上面的测试而言,DRAGEN的运算速度的确是非常快的。虽然你需要先把拷贝数据这一步会花点时间,但是你从公司拿到的数据其实也要拷贝到服务器才行,所以拷贝数据是不可避免的。

对于公司而言,原本需要两天才能跑完的分析可能现在2小时或者1小时不到就能搞定了,那么业务速度就快了,此外也不需要搭建spark或者自己搞一套对GATK进行并行,更何况GATK商用是要钱的,国内很多公司都是偷偷的在用吧。对于医院而言,嗯,他们不差钱。对于科研机构而言,除非专门搞一个平台管理,不然一年花掉2T的分析数据量还是有难度。

PS:当然都是比对,所以这个软件也能用于分析RNA-seq,ChIP-seq,ATAC-seq等illumina高通量测序数据,但是三代测序数据目前搞不定,不知道未来会不会支持。

PPS: EDICO公司看到这篇文章后请给我打广告费

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,445评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,889评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,047评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,760评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,745评论 5 367
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,638评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,011评论 3 398
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,669评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,923评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,655评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,740评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,406评论 4 320
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,995评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,961评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,197评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,023评论 2 350
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,483评论 2 342

推荐阅读更多精彩内容