新手如何開始基因組測序數(shù)據(jù)分析

作為生命科學領域的“圈內(nèi)人”，如果你還不知曉近期基因組測序的飛速發(fā)展，那你就實在太out了。。。這項技術在短短5年時間里，從一種令人仰望的技術變成了實驗室里的常規(guī)操作，僅僅就去年一年時間，這項技術就應用到了千人基因組計劃、人類微生物計劃這兩項重要的研究項目中，識別了大量孟德爾遺傳疾病相關的基因，比如朱伯特綜合癥（Joubert Syndrome），米勒費雪綜合癥（Miller Syndrome），還破解了蘋果，虱子，以及前段時間侵襲海地的霍亂弧菌的基因組，實力確實不可小窺。

然而由于這一領域的發(fā)展速度飛快，因此一些新接觸的實驗人員可能會感到茫然無措：雖然這些研究人員都具有實體測序?qū)嶒灢僮鹘?jīng)驗，但是如何處理獲得的龐大數(shù)據(jù)是一個巨大挑戰(zhàn)。幸運的是，目前已經(jīng)有了一些免費的，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提的一個問題——從那兒開始？以下的這些測序?qū)＜視倪@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基礎設備？

簡而言之：視情況而定。測序數(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，*基因組測序項目包括原始測序數(shù)據(jù)，比對數(shù)據(jù)，變異檢出數(shù)據(jù)等，每個樣品都能達到上百GB，而像ChIP-Seq數(shù)據(jù)集（例如染色體免疫共沉淀實驗數(shù)據(jù)）就小得多了，才幾個GB而已。

因此要回答需要多少空間來存儲所有數(shù)據(jù)這個問題，也是視情況而定。弗吉尼亞州立聯(lián)邦大學生物標記研究及個性化醫(yī)療中心有一臺2010年早期購買的ABI SOLiD 4測序儀，目前這個中心有大約35TB（即35000GB）的磁盤空間來存儲數(shù)據(jù)，其中一些保存在實驗室內(nèi)，但是大部分實際上都外包了，比如1575個個體甲基化測序數(shù)據(jù)。中心主任Edwin van den Oord說，“僅僅是實驗室里產(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)”。來自杜克大學的Kevin Shianna實驗室完成了200個*基因組測序，以及另外100個基因組外顯子（即蛋白編碼區(qū)域）測序，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，另外一個關鍵的元素就是電腦的運作能力，數(shù)據(jù)文件如此之大，往往不能通過臺式機來準確分析，因此需要計算機PC集群（cluster）——一種特別的ad-hoc超級電腦（ad-hoc：電腦到電腦網(wǎng)絡），電腦之間通過網(wǎng)絡鏈接，由許多小電腦并聯(lián)組成。舉例而言，杜克大學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。”

如果沒有這些設備該怎么辦？

許多高校都提供集群資源服務，但也不是每個都有，對于沒有集群設施的研究人員來說，可以尋找一些Web，云模式（cloud-based）為基礎的來替代，比如Amazon Web Services，這是一種可以提供基礎設施的計算平臺服務，包括云計算平臺EC2（Elastic Compute Cloud）——擁有幾乎無限的計算設施，和云儲存服務S3（simple storage service）——提供在線存儲服務。每個人都可以在AWS上建立自己的戶頭，這要求有一臺實體的機器，一個計算機界面來連接網(wǎng)絡，然后通過Amazon的云服務進行數(shù)據(jù)分析。

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

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，比較基因組注釋，解析宏基因組樣品等更多得多的應用”，這一系統(tǒng)包含有大量的文檔資料和教程視頻，來自凱撒西儲大學的Mark Adams將Galaxy稱為“一個能整合不同類別數(shù)據(jù)，查詢數(shù)據(jù)，協(xié)調(diào)性尤其好的系統(tǒng)”。

對于云計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)的測序儀上接收數(shù)據(jù)，進行變異查找，RNA表達分析和ChIP-Seq分析。Sundquist說，“你不用考慮這些分析在哪里進行，也不用考慮結果存儲在哪里，這些DNAnexus云計算都能幫你做到”。這些服務（AWS）的價格是20美元/GB/2年（科研單位），5美元/GB（測序機構）。