基于云計算的RNA—seq轉(zhuǎn)錄組數(shù)據(jù)分析流程初探

紀兆華+王立東+徐行健+劉芳

摘 要：隨著二代測序技術(shù)的不斷發(fā)展，轉(zhuǎn)錄組學的研究有了新的工具RNA-seq。RNA-seq可以使用高通量測序技術(shù)快速對細胞某一個狀態(tài)下完整的轉(zhuǎn)錄組進行測序，獲得該轉(zhuǎn)錄組中所有的RNA序列。相比與以往利用芯片和PCR等技術(shù)來研究轉(zhuǎn)錄組，RNA-seq有著許多明顯的優(yōu)勢，所以其應(yīng)用的規(guī)模不斷增加。但是RNA-seq測序結(jié)構(gòu)文件非常大，每一個轉(zhuǎn)錄組樣品都會產(chǎn)生幾Gb到幾十Gb的序列文件，傳統(tǒng)的RNA-seq數(shù)據(jù)分析軟件需要耗費大量的時間和系統(tǒng)資源來完成分析任務(wù)。采用云計算的方法和框架，開發(fā)一套完整的RNA-seq轉(zhuǎn)錄組大數(shù)據(jù)分析軟件，用戶只需輸入RNA-seq測序的原始序列文件，即可得到最終的結(jié)果。

關(guān)鍵詞：云計算 轉(zhuǎn)錄組 數(shù)據(jù)分析 流程

中圖分類號：Q78 文獻標識碼：A 文章編號：1674-098X（2017）07（a）-0159-02

生物信息學是用數(shù)理和信息科學的觀點、理論和方法研究復雜的生命現(xiàn)象，組織和分析呈現(xiàn)指數(shù)增長的生物學數(shù)據(jù)所蘊含的知識和規(guī)律，運用計算機科學與人工智能的手段進行大量生物信息數(shù)據(jù)的收集、加工、存儲、分析與解析的科學。生物信息學的一項主要任務(wù)就是研究如何利用應(yīng)用數(shù)學和計算機等學科中的方法來分析這些數(shù)據(jù)，探明數(shù)據(jù)中所包含的生物學意義。在生命科學的各個領(lǐng)域（基因組學、轉(zhuǎn)錄組學等），不論是基礎(chǔ)研究還是應(yīng)用研究，生物信息學都起著重要作用[1]。

1 轉(zhuǎn)錄組研究中RNA-seq被廣泛使用

近年來，在轉(zhuǎn)錄組研究中，RNA-seq憑借著諸多優(yōu)勢被廣泛使用，比如無需設(shè)計寡聚核苷酸探針、可以觀測到低表達豐度的調(diào)控基因、可以檢測到非編碼RNA的情況等。然而對RNA轉(zhuǎn)錄組的高通量全測序（whole transcriptome sequencing）會得到非常大的結(jié)果序列文件，其中包含了單端或者雙端的reads序列。這些序列首先需要進行清洗（去接頭等）之后才能繼續(xù)用于之后的分析工作。分析軟件的性能在這一過程中就顯得非常重要，好的軟件不僅需要分析結(jié)果真實可靠，對其運行時性能也有著需求，運行速度過慢或者需求過多的系統(tǒng)資源（如CPU時間、內(nèi)存等），都會極大地降低科研人員的工作效率[2]。

2 生物信息云有助于應(yīng)對生物信息大數(shù)據(jù)的挑戰(zhàn)

生物數(shù)據(jù)規(guī)模通常很大，近年來，這些數(shù)據(jù)隨著生物技術(shù)的發(fā)展不斷地增加。高通量測序技術(shù)迅猛發(fā)展，使生物信息學進入了大數(shù)據(jù)時代，由此所引發(fā)的多組學海量生物數(shù)據(jù)更需要利用云的方式來解決存儲和分析等問題。把云計算技術(shù)應(yīng)用到生物信息學的大數(shù)據(jù)中，闡明的面向大數(shù)據(jù)的生物信息云有助于更好地應(yīng)對生物信息大數(shù)據(jù)帶來的新挑戰(zhàn)，挖掘生物數(shù)據(jù)中蘊含的大量“寶藏”。隨著以高通量測序技術(shù)為代表的相關(guān)實驗技術(shù)的不斷發(fā)展和普及，科研人員可以更加容易和高效地獲得到大量的生物數(shù)據(jù)，其中顯然蘊含著大量的“寶藏”等待人們探索。云計算正是一種通過Internet以服務(wù)的方式，提供動態(tài)可伸縮、虛擬化的資源計算模式。但傳統(tǒng)的分析方法并沒有緊緊跟上，如何應(yīng)對生物信息大數(shù)據(jù)帶來的新挑戰(zhàn)，成為了生物信息學當前的一個重要命題[3]。

3 生物信息學中的研究熱點之一RNA-seq數(shù)據(jù)分析軟件

對RNA-seq數(shù)據(jù)分析軟件的研究與開發(fā)一直是生物信息學中的研究熱點。對于各個分析任務(wù)，也都有傳統(tǒng)的分析軟件可以完成各個工作，如Bowtie、Tophat和Cufflinks[4]等等。也有一些研究人員將這些軟件通過腳本程序組裝成分析流程，如PRADA[5]、wapRNA[6]等等。然而由于使用OpenMP或者Pthread這樣傳統(tǒng)的并行模型，他們無法運行于云計算平臺之上。云計算理念的出現(xiàn)，使得分布式并行計算在解決大數(shù)據(jù)問題時的可用性和易用性得到了極大的提升和擴展。終端用戶不必再關(guān)心計算的內(nèi)部細節(jié)，只需要將數(shù)據(jù)提交，制定出最終目標，云計算平臺就可以將數(shù)據(jù)分析的結(jié)果返回給用戶，減少了用戶花在數(shù)據(jù)處理中瑣碎細節(jié)上的時間，大大提高了科研和工作效率。對于那些無法容易獲得分布式計算集群使用權(quán)的用戶，云計算中“數(shù)據(jù)即服務(wù)”（DaaS）、“平臺即服務(wù)”（PaaS）、“軟件即服務(wù)”（SaaS）、“基礎(chǔ)設(shè)施即服務(wù)”（IaaS）的理念，也使得他們可以利用云計算中公開的非本地資源來進行科研工作。生物信息學科研工作者近年來也意識到大數(shù)據(jù)帶來的挑戰(zhàn)，開發(fā)了一些基于云計算的分析軟件，其中涉及到RNA-seq數(shù)據(jù)分析的主要有MyRNA、Crossbow等。

云計算正是專門對這類大數(shù)據(jù)問題提出的解決方案。采用HADOOP云計算框架設(shè)計實現(xiàn)RNA-seq大數(shù)據(jù)分析流程[15]。通過優(yōu)化文件存儲與訪問、作業(yè)拆分管理等不同方面，HADOOP框架可以很好地完成生物信息學大數(shù)據(jù)分析作業(yè)。然而使用傳統(tǒng)并行模型開發(fā)的軟件無法直接運行在HADOOP框架之上，需要對其算法重構(gòu)或改寫成MapReduce模式[16]，經(jīng)過調(diào)試后才能使用。對RNA-seq大數(shù)據(jù)分析流程中常見的任務(wù)模塊，開發(fā)對應(yīng)的在MapReduce模式下的算法，并將其組合成從數(shù)據(jù)輸入到數(shù)據(jù)輸出的一站式分析流程（analysis pipeline），用戶只需提供RNA-seq原始數(shù)據(jù)集，即可得到最終需要的分析結(jié)果。

參考文獻

[1] Mortazavi A， Williams B A， McCue K， Schaeffer L and Wold B 2008 Mapping and quantifying mammalian transcriptomes by RNA-Seq. Nat. Methods5 621.

[2] Armbrust M， Stoica I， Zaharia M， Fox A， Griffith R， Joseph A D， Katz R， Konwinski A， Lee G， Patterson D and Rabkin A 2010 A view of cloud computing Commun. ACM53 50.

[3] Dai L， Gao X， Guo Y， Xiao J and Zhang Z 2012 Bioinformatics clouds for big data manipulation. Biol. Direct7 43； discussion 43.

[4] Langmead B and Salzberg S L 2012 Fast gapped-read alignment with Bowtie 2. Nat. Methods9 357.

[5] Torres-García W， and Verhaak R G W 2014 PRADA： pipeline for RNA sequencing data analysis. Bioinformatics30 2224.

[6] Zhao W， and Hu S 2011 wapRNA： a web-based application for the processing of RNA sequences. Bioinformatics27 3076.endprint