阿里云基因计算服务使用最佳实践 - 通过Remote API实现基因数据处理

AGS Remote API介绍:

阿里云基因计算服务(AGS)是一个依托于云计算平台,使用容器、工作流等云原生技术,针对生信行业基因数据处理的整体解决方案。您可以不用关心基因数据处理过程中的计算资源、处理逻辑、数据缓存等细节,只需要将您的源数据(Fastq文件)地址提供给ags,ags既可高效、快速完成整个数据分析流程,并将结果数据上传到您期望的存储空间。

AGS目前支持通用的生信流程包括:

wgs流程:支持GATK标准流程进行全基因组测序,支持GPU加速;
Mapping:支持输出包含MarkUp和不包含MarkUp的Bam数据;

AGS提供用户命令行工具,通过命令行可以实现远程提交任务。根据您的数据处理需求,通过定义具体参数指定Fastq数据源,和处理逻辑。AGS Remote API目前主要基于阿里云公共云服务,推荐的数据提供方式为将源数据放在阿里云OSS存储空间,ags获取数据后进程处理,并将处理结果上传到OSS存储。

用户如果使用阿里云AGS服务,您的资产包括:本地IDC机房(生成数据)、阿里云OSS存储服务(保存数据);阿里云AGS服务为您的数据进行计算、分析,并回传结果数据;
阿里云基因计算服务使用最佳实践 - 通过Remote API实现基因数据处理
AGS处理流程:

  1. 用户IDC环境内,基因数据下线暂存;
  2. 用户通过数据传输工具(Ossutil)将待处理的fastq数据上传到阿里云OSS存储服务(用户账号下的OSS);
  3. 用户通过AGS命令行工具,向AGS服务提交测序任务,需在参数中定义作业的详细信息;
  4. AGS拉取Fastq数据;
  5. AGS处理数据;
  6. AGS上传结果数据(vcf/bam);

下面为您提供一个使用AGS Remote API实现基因数据处理的示例,您可以参考其中的操作步骤执行数据处理任务。

前置准备:

1. 安装ossutil:

数据上传您可以通过阿里云提供的Ossutil工具,具体安装过程可参考:ossutil安装

2. 数据上传

阿里云AGS服务目前只开通了深圳、北京2个Region,所以您的OSS Bucket需要选择这两个Region之一。

假设您的数据规划如下:

在深圳申请Bucekt名为:my-gene-shenzhen
fastq的保存目录为:fastq/task*/
vcf的保存目录为:vcf/task*/
bam的保存目录为:bam/task*/

上传fastq数据上传命令为:

ossutil cp {fastq}_1.fastq.gz oss://my-gene-shenzhen/fastq/task1/{fastq}_1.fastq.gz
ossutil cp {fastq}_2.fastq.gz oss://my-gene-shenzhen/fastq/task1/{fastq}_2.fastq.gz

3. AGS命令行工具下载:

可以通过下面地址下载AGS命令行工具:

Mac:http://ags-hub.oss-cn-hangzhou.aliyuncs.com/ags-mac
Linux: http://ags-hub.oss-cn-hangzhou.aliyuncs.com/ags-linux

下载后修改为可执行权限,并放到节点可执行目录($PATH目录下);

$ chmod 755 ags-linux && mv ags-linux /usr/local/bin/ags

4. 命令行配置,OSS授权:

通过ags命令行工具进行任务提交,您需要配置ags的ak权限:

ags config init

注意:配置的AK需要对您的oss bucket具有读写权限;

您还需要对OSS Bucket进行授权,以授权AGS服务账号具备文件的读写、GetBucketInfo权限:

ags config oss <your bucket name>

上述具体配置,可参考使用文档:https://help.aliyun.com/document_detail/148762.html

AGS目前支持两种数据类型,具体由Fastq数据目录结构决定:

一种是:一个样本由两个fastq文件组成,提交任务时,分别指定两个文件的名字;
另一种:一个样本由一个目录下面的多个fastq文件组成,提交任务时,指定目录名字;

任务示例-数据类型1:

一个样本由两个fastq文件组成,分别指定两个文件的名字;

1. Fastq数据源:

对如下bucket下面的fastq数据进行WGS流程分析:

阿里云基因计算服务使用最佳实践 - 通过Remote API实现基因数据处理

2. 提交任务:

任务提交命令分析:

ags remote run wgs \   # 指定为wgs流程;
--region cn-shenzhen \  # 指定为深圳区域;
--fastq1 fastq/NA12878/NA12878_1.fastq.gz \   # 指定fastq1文件地址;
--fastq2 fastq/NA12878/NA12878_2.fastq.gz \   # 指定fastq2文件地址;
--bucket gene-shenzhen \  # 指定bucket名字;
--output-vcf output/wgs/NA12878.vcf \  # 指定vcf文件输出地址(在gene-shenzhen bucket下面);
--output-bam output/wgs/NA12878.bam \  # 指定bam文件输出地址(在gene-shenzhen bucket下面);
--service "g" \    # 指定service类型,支持s/g/p等服务类型;
--reference hs37d5 # 指定reference类型,支持hs37d5和hg19两个可选类型;

任务提交:

# ags remote run wgs --region cn-shenzhen --fastq1 fastq/NA12878/NA12878_1.fastq.gz --fastq2 fastq/NA12878/NA12878_2.fastq.gz --bucket gene-shenzhen --output-vcf output/wgs/NA12878.vcf --output-bam output/wgs/NA12878.bam --service "g" --reference hs37d5
INFO[0001] {"JobName":"wgs-gpu-vfbqw"}
INFO[0001] Job submit succeed

3. 查看任务信息:

查看当前任务信息:

# ags remote get wgs-gpu-vfbqw
+---------------+------------------+---------+-------------------------------+-----------------+-------------+-------------+
|   JOB NAME    |  JOB NAMESPACE   | STATUS  |          CREATE TIME          |    DURATION     | TOTAL READS | TOTAL BASES |
+---------------+------------------+---------+-------------------------------+-----------------+-------------+-------------+
| wgs-gpu-vfbqw | **************** | Running | 2020-01-19 11:19:00 +0800 CST | 8m31.309941114s |           0 |           0 |
+---------------+------------------+---------+-------------------------------+-----------------+-------------+-------------+

Job Name: 这次任务的名字(唯一代号);
JOB NAMESPACE:任务的名词空间(您的UID);
STATUS:任务的状态;
CREATE TIME:任务创建时间;
DURATION:任务的持续时间;
TOTAL READS:这次提交一共成功处理了多少 Reads;
TOTAL BASES:这次提交一共成功处理了多少Bases;

4. 查看输出结果:

命令行查看任务最终状态:

# ags remote get wgs-gpu-vfbqw
+---------------+------------------+-----------+-------------------------------+----------+-------------------------------+-------------+--------------+
|   JOB NAME    |  JOB NAMESPACE   |  STATUS   |          CREATE TIME          | DURATION |          FINISH TIME          | TOTAL READS | TOTAL BASES  |
+---------------+------------------+-----------+-------------------------------+----------+-------------------------------+-------------+--------------+
| wgs-gpu-vfbqw | **************** | Succeeded | 2020-01-19 11:19:00 +0800 CST | 34m16s   | 2020-01-19 11:53:16 +0800 CST |  1574530218 | 159027552018 |
+---------------+------------------+-----------+-------------------------------+----------+-------------------------------+-------------+--------------+

控制台查看结果文件(bam/vcf):
阿里云基因计算服务使用最佳实践 - 通过Remote API实现基因数据处理

任务示例-数据类型2:

1. Fastq数据源:

一个样本包含在同一个目录(fastq/MultiFiles/2020011901)下面;
目录下面包含多个子目录:2020011901-73、2020011901-74;
每个子目录下面包含一对Fastq文件:文件以1/2.fq.gz结尾;

阿里云基因计算服务使用最佳实践 - 通过Remote API实现基因数据处理
阿里云基因计算服务使用最佳实践 - 通过Remote API实现基因数据处理
阿里云基因计算服务使用最佳实践 - 通过Remote API实现基因数据处理

2. 提交任务:

任务解析:

ags remote run mapping \  # 指定为mapping流程;
--region cn-shenzhen \  # 指定Region为深圳;
--fastq1 fastq/MultiFiles/2020011901 \   # 指定fastq目录;
--fastq2 fastq/MultiFiles/2020011901 \   # 指定fastq目录,和fastq1一样;
--bucket gene-shenzhen \        # 指定bucket名字;
--output-bam output/mapping/2020011901.bam \   # 指定bam输出目录;
--service "g" \  # 指定服务等级;
--markdup "true" \  # 指定是否进行mark duplicate处理;
--reference hg19  # 指定reference类型;

提交任务:

# ags remote run mapping --region cn-shenzhen --fastq1 fastq/MultiFiles/2020011901 --fastq2 fastq/MultiFiles/2020011901 --bucket gene-shenzhen --output-bam output/mapping/2020011901.bam --service "g" --markdup "true" --reference hg19
INFO[0002] {"JobName":"mapping-gpu-bv8br"}
INFO[0002] Job submit succeed

3. 查看任务信息:

查看任务状态命令:ags remote get *

# ags remote get mapping-gpu-bv8br
+-------------------+------------------+---------+-------------------------------+------------------+-------------+-------------+
|     JOB NAME      |  JOB NAMESPACE   | STATUS  |          CREATE TIME          |     DURATION     | TOTAL READS | TOTAL BASES |
+-------------------+------------------+---------+-------------------------------+------------------+-------------+-------------+
| mapping-gpu-bv8br | **************** | Running | 2020-01-19 11:43:51 +0800 CST | 11m19.728373147s |   261733836 | 26173383600 |
+-------------------+------------------+---------+-------------------------------+------------------+-------------+-------------+

4. 查看输出结果:

命令行查看任务最终状态:

~# ags remote get mapping-gpu-bv8br
+-------------------+------------------+-----------+-------------------------------+----------+-------------------------------+-------------+-------------+
|     JOB NAME      |  JOB NAMESPACE   |  STATUS   |          CREATE TIME          | DURATION |          FINISH TIME          | TOTAL READS | TOTAL BASES |
+-------------------+------------------+-----------+-------------------------------+----------+-------------------------------+-------------+-------------+
| mapping-gpu-bv8br | **************** | Succeeded | 2020-01-19 11:43:51 +0800 CST | 11m45s   | 2020-01-19 11:55:36 +0800 CST |   261733836 | 26173383600 |
+-------------------+------------------+-----------+-------------------------------+----------+-------------------------------+-------------+-------------+

到控制台查看任务输出文件(bam):
阿里云基因计算服务使用最佳实践 - 通过Remote API实现基因数据处理

结果验证:

任务执行完成,您可以到oss控制台查看任务输出目录,是否获取到期望的结果文件。
如果没有获取结果文件,请及时与我们联系。

上一篇:Zabbix 监控获取apache_status


下一篇:阿里云Kubernetes CSI实践 - 云盘数据卷扩容