生命科學(xué)高性能計(jì)算解決方案

1、 生命科學(xué)高性能計(jì)算解決方案 摘要生物信息學(xué)（Bioinformatics）是在生命科學(xué)的研究中，以計(jì)算機(jī)為工具對(duì)生物信息進(jìn)行儲(chǔ)存、檢索和分析的科學(xué)。它是當(dāng)今生命科學(xué)和自然科學(xué)的重大前沿領(lǐng)域之一，同時(shí)也將是21世紀(jì)自然科學(xué)的核心領(lǐng)域之一。其研究重點(diǎn)主要體現(xiàn)在基因組學(xué)（Genomics）和蛋白質(zhì)組學(xué)（Proteomics）兩方面，具體說(shuō)就是從核酸和蛋白質(zhì)序列出發(fā)，分析序列中表達(dá)的結(jié)構(gòu)功能的生物信息。背景介紹生物信息學(xué)在短短十幾年間，已經(jīng)形成了多個(gè)研究方向，其中與高性能計(jì)算相關(guān)的主要研究重點(diǎn)如下。序列比對(duì)序列比對(duì)（Sequence Alignment）的基本問(wèn)題是比較兩個(gè)或兩個(gè)以上符號(hào)序列的相似性

2、或不相似性。從生物學(xué)的初衷來(lái)看，這一問(wèn)題包含了以下幾個(gè)意義：從相互重疊的序列片斷中重構(gòu)DNA的完整序列。在各種試驗(yàn)條件下從探測(cè)數(shù)據(jù)（probe data）中決定物理和基因圖存貯，遍歷和比較數(shù)據(jù)庫(kù)中的DNA序列，比較兩個(gè)或多個(gè)序列的相似性，在數(shù)據(jù)庫(kù)中搜索相關(guān)序列和子序列，尋找核苷酸（nucleotides）的連續(xù)產(chǎn)生模式，找出蛋白質(zhì)和DNA序列中的信息成分。在序列對(duì)比的過(guò)程中將會(huì)產(chǎn)生巨量的數(shù)據(jù)，這對(duì)我們的存儲(chǔ)系統(tǒng)帶來(lái)了較大規(guī)模的挑戰(zhàn)。現(xiàn)在用于存儲(chǔ)的硬盤容量每14個(gè)月會(huì)有一倍的增長(zhǎng)，而基因序列的數(shù)據(jù)量則每5月左右會(huì)翻一番，例如：CeleraGenomics 和Sanger Centre 等主要基因

3、研究機(jī)構(gòu)都在管理數(shù)以萬(wàn)億字節(jié)計(jì)的數(shù)據(jù)，其數(shù)據(jù)庫(kù)信息量超過(guò)了人類開(kāi)展生物學(xué)研究以來(lái)積累的數(shù)據(jù)量。序列拼接序列拼接是將測(cè)序生成的reads短片段拼接起來(lái)，恢復(fù)出原始的序列。該問(wèn)題是序列分析的基本任務(wù)，是基因組研究成功與失敗的關(guān)鍵，拼接結(jié)果直接影響到序列標(biāo)注，基因預(yù)測(cè)、基因組比較等后續(xù)任務(wù)。基因組序列的拼接也是基因組研究必須解決的首要難題。其困難不僅來(lái)自它的海量數(shù)據(jù)(以人類基因組序列為例，從數(shù)量為10兆級(jí)的片斷恢復(fù)出長(zhǎng)度為億級(jí)的原始序列)，而且源于它含有高度重復(fù)的序列。從計(jì)算機(jī)方面來(lái)講，在拼接初期，會(huì)有大量的初始數(shù)據(jù)導(dǎo)入內(nèi)存，然后對(duì)這些數(shù)據(jù)進(jìn)行處理，因此，序列拼接對(duì)于計(jì)算機(jī)的內(nèi)存量和計(jì)算能力都有非常

4、大的需求。基于結(jié)構(gòu)的藥物設(shè)計(jì)人類基因工程的目的之一是要了解人體內(nèi)約10萬(wàn)種蛋白質(zhì)的結(jié)構(gòu)，功能，相互作用以及與各種人類疾病之間的關(guān)系，尋求各種治療和預(yù)防方法，包括藥物治療?；谏锎蠓肿咏Y(jié)構(gòu)及小分子結(jié)構(gòu)的藥物設(shè)計(jì)是生物信息學(xué)中的極為重要的研究領(lǐng)域。為了抑制某些酶或蛋白質(zhì)的活性，在已知其蛋白質(zhì)3級(jí)結(jié)構(gòu)的基礎(chǔ)上，可以利用分子對(duì)齊算法，在計(jì)算機(jī)上設(shè)計(jì)抑制劑分子，作為候選藥物。然后在數(shù)據(jù)庫(kù)中進(jìn)行對(duì)比并且得到優(yōu)勢(shì)結(jié)構(gòu)，選擇使用分子模擬的方法實(shí)現(xiàn)藥物分子的設(shè)計(jì)。解決方案介紹基于分析我們得出，生物信息學(xué)類計(jì)算的核心內(nèi)容是內(nèi)存密集型，存儲(chǔ)密集型，結(jié)合浪潮多年來(lái)的經(jīng)驗(yàn)，我們?yōu)榭蛻籼峁┽槍?duì)化專業(yè)的解決方案。浪潮高性

5、能應(yīng)用集群主要解決了生物信息學(xué)中的四個(gè)主要問(wèn)題：高性能對(duì)于高性能計(jì)算而言，一方面是浮點(diǎn)處理性能，另一方面為CPU本身的綜合性能，浪潮結(jié)合生物信息學(xué)行業(yè)的特點(diǎn)，推薦使用Intel處理器，不僅實(shí)現(xiàn)了較高的處理性能，并且在能效比，內(nèi)存支持，以及CPU本身的架構(gòu)上intel都有很大的優(yōu)勢(shì)。內(nèi)存問(wèn)題在生物信息學(xué)應(yīng)用中，先期數(shù)據(jù)的載入對(duì)于內(nèi)存容量的要求越來(lái)越高，浪潮采用大內(nèi)存服務(wù)器四路或者八路胖節(jié)點(diǎn)，可以在單節(jié)點(diǎn)中配置高達(dá)2TB內(nèi)存，充分達(dá)到應(yīng)用的實(shí)際需求。存儲(chǔ)容量問(wèn)題海量存儲(chǔ)系統(tǒng)是生物信息學(xué)計(jì)算的先決條件。浪潮不僅可以提供了專業(yè)的直連存儲(chǔ)，更有8Gb接口的光纖存儲(chǔ)系統(tǒng)，通過(guò)專有的存儲(chǔ)節(jié)點(diǎn)構(gòu)建Lustre

6、并行文件系統(tǒng)，接入以太網(wǎng)，甚至40GB的Infiniband網(wǎng)絡(luò)，總體容量可達(dá)到PB級(jí)，除此之外還考慮到用戶的數(shù)據(jù)安全，數(shù)據(jù)備份等，從根本上解決了生物信息學(xué)的數(shù)據(jù)存儲(chǔ)難題。系統(tǒng)高穩(wěn)定性一套高穩(wěn)定性的系統(tǒng)能夠使我們的生物信息學(xué)應(yīng)用更加方便快捷，同時(shí)也能夠高效率的處理數(shù)據(jù)，保證業(yè)務(wù)不中斷，浪潮通過(guò)統(tǒng)一的集群管理，作業(yè)調(diào)度，結(jié)合浪潮高性能的服務(wù)器，從各個(gè)方面保證了整套系統(tǒng)的穩(wěn)定性，大大提高了用戶的使用穩(wěn)定性和減少了故障率，為用戶提高生產(chǎn)力提供持續(xù)不間斷的支持?？蛻羰找鎽?yīng)用分析浪潮擁有一支專業(yè)的HPC應(yīng)用分析團(tuán)隊(duì)，可以針對(duì)客戶應(yīng)用，運(yùn)用測(cè)試工具得出具體的硬件平臺(tái)需求，從而幫助浪潮提為客戶提供針對(duì)性的高性價(jià)比HPC解決方案。應(yīng)用加速浪潮不僅為客戶提供硬件產(chǎn)品、解決方案，而且研究HPC技術(shù)發(fā)展，在異構(gòu)并行計(jì)算領(lǐng)域提前布局，建立一個(gè)優(yōu)秀的應(yīng)用開(kāi)發(fā)團(tuán)隊(duì)，可以滿足客戶各種定制化開(kāi)發(fā)服務(wù)，滿足用戶的特殊需求。在CPU技術(shù)方面，該團(tuán)隊(duì)成功與BGP合作完成單頻屬性提取、多時(shí)窗傾角掃描、體曲率提取、構(gòu)造導(dǎo)向?yàn)V波、特征值相干、紋理屬性提取、數(shù)據(jù)分離等石油勘探解釋與處理CPU多核并行算法開(kāi)發(fā)和優(yōu)化項(xiàng)目。在GPU技術(shù)方面，浪潮具備從算法級(jí)、桌面級(jí)、集群級(jí)開(kāi)發(fā)能力，與北京基因組所、西北工業(yè)大學(xué)、BGP合作完成Blastn、LES-LBM、PSTM、RNA等多款GPU軟件，較原有軟件獲得幾十倍性能提升。在