基因组测序数据分析该如何开始.doc

基因组测序数据分析该如何开始

作为生命科学领域的“圈内人”，如果你还不知晓近期基因组测序的飞速发展，那你就实在太out了……这项技术在短短5年时间里，从一种令人仰望的高端技术变成了实验室里的常规操作，仅仅就去年一年时间，这项技术就应用到了千人基因组计划、人类微生物计划这两项重要的研究项目中，识别了大量孟德尔遗传疾病相关的基因，比如朱伯特综合症（JoubertSyndrome），米勒费雪综合症（MillerSyndrome），还破解了苹果，虱子，以及前段时间侵袭海地的霍乱弧菌的基因组，实力确实不可小窥。
然而由于这一领域的发展速度飞快，因此一些新接触的实验人员可能会感到茫然无措：虽然这些研究人员都具有实体测序实验操作经验，但是如何处理获得的庞大数据是一个巨大挑战。幸运的是，目前已经有了一些免费的，或者说是低成本的多元化工具，以及活跃的用户群，可以帮助我们解决其中的一些问题，包括大部分新手都会提的一个问题-从那儿开始？以下的这些测序专家会从这一最常见的新手问题开始，-帮助我们解答疑惑。
需要什么IT基础设备？
简而言之：视情况而定。测序数据集信息量都很大，但不是所有的数据集都一样，比如说，全人类基因组测序项目包括原始测序数据，比对数据，变异检出数据等，每个样品都能达到上百GB，而像ChIP-Seq数据集（例如染色体免疫共沉淀实验数据）就小得多了，才几个GB而已。
因此要回答需要多少空间来存储所有数据这个问题，也是视情况而定。弗吉尼亚州立联邦大学生物标记研究及个性化医疗中心有一台2010年早期购买的ABISOLiD4测序仪，目前这个中心有大约35TB（即35000GB）的磁盘空间来存储数据，其中一些保存在实验室内，但是大部分实际上都外包了，比如1575个个体甲基化测序数据。中心主任EdwinvandenOord说，“仅仅是实验室里产生的数据不需要这么大的空间”，但即使是35TB的空间还是不够的，“我们需要购买更多的磁盘才能分析这些数据”。来自杜克大学的KevinShianna实验室完成了200个全人类基因组测序，以及另外100个基因组外显子（即蛋白编码区域）测序，目前他们有300TB磁盘空间，而且其中大部分都是满的！
除了磁盘空间外，另外一个关键的元素就是电脑的运作能力，数据文件如此之大，往往不能通过台式机来准确分析，因此需要计算机PC集群（cluster）一种特别的ad-hoc超级电脑（ad-hoc：电脑到电脑网络），电脑之间通过网络链接，由许多小电脑并联组成。举例而言，杜克大学所用的一种软件工具：SequenceVariantAnalyzer（能注释基因变异，以及这些变异在基因组中位置）就是“一个内存怪兽”，Shianna说，“它至少需要24-32GB的内存空间。”
如果没有这些设备该怎么办？
许多高校都提供集群资源服务，但也不是每个都有，对于没有集群设施的研究人员来说，可以寻找一些Web，云模式（cloud-based）为基础的来替代，比如AmazonWebServices，这是一种可以提供基础设施的计算平台服务，包括云计算平台EC2(ElasticComputeCloud)-拥有几乎无限的计算设施，和云储存服务S3（simplestorageservice）-提供在线存储服务。每个人都可以在AWS上建立自己的户头，这要求有一台实体的机器，一个计算机界面来连接网络，然后通过Amazon的云服务进行数据分析。
这种付费系统灵活性很大，通过Amazon（或其它的云服务平台，比如Google和Microsoft）完成繁重的高计算量任务，研究人员就能从购买，维修和升级IT设备这些繁杂的事情中脱身，DNAnexus公司总裁AndreasSundquist说，“我看到Amazon最新预算好像订了十万个CPU，还有上百个PB（1PB=1000TB）磁盘”，“世界上能接触到这么多计算机和磁盘的地方非常少”，一些无私的研究人员还研发了一种预先组态（preconfigured）生物信息学为基础的虚拟Linux机器，作为一个Amazon镜像系统（AmazonMachineImage），这种打包的服务器环境能运行需要的软件和应用程序。
除此之外，还可以试试宾州的Galaxy(galaxy.psu.edu/)，其网页介绍道，“Galaxy能帮助你完成其它任何地方都无法完成的分析，而且无需安装或者下载任何东西，你可以分析多重比对，比较基因组注释，解析宏基因组样品等更多得多的应用”，这一系统包含有大量的文档资料和教程视频，来自凯撒西储大学的MarkAdams将Galaxy称为“一个能整合不同类别数据，查询数据，协调性尤其好的优秀系统”。
对于云计算有更高要求的研究人员就可以尝试下一些商业公司，比如DNAnexus(dnanexus.com)和Genom