DRAGEN: 硬件和软件共同加速的变异检测工具

2022-06-26 04:17:03

DRAGEN

这是一篇工具介绍贴，考虑这个工具是要钱的，那些动不动就说别人忘了初心的用户肯定认为我写的是软文，所以这些人就不要继续往下看了。

变异检测的软件目前虽然有很多，SAMtools/BCFtools, GATK, FreeBayes等，但是我看到的大部分文章都是用GATK UG/HC。GATK的速度是有目共睹的慢，不过我平时就分析几个重测序样品，基本上过个两天就能出结果，所以速度不是我的刚需。

如果想要追求速度的话，一种思路是可以将参考基因组进行分割，然后分别并行运算加速，或者搭建Spark环境，用GATK4的Spark模式。还有一种就是根据GATK的算法思想，用C/C++重新写软件。去年的时候我看到了一个软件叫做sentieon，用C/C++实现了GATK的算法，瞬间速度就上来了，这是一个商业公司的收费软件，目前国内用的比较少。

我原本以为这个速度已经够快的，直到我最近去demo了另一个软件，edico公司开发的DRAGEN，这个效率简直是丧心病狂。它从硬件和软件上同时进行加速

需要购买他们公司的硬件，128G内存，56线程，2T固态硬盘，以及一个FPGA芯片
比对这一步的算法基于而不是BWT转换（这就是为什么要128G内存）
比对之前要将索引加载到芯片中，所以每次只能比对一个任务
由于IO读写是非常大瓶颈，所以采用了固态硬盘
程序由C/C++开发，所以效率极高

为啥我要去demo这个工具呢，主要因为最近服务器资源紧缺（因为之前用的服务器要么是合租的，要么是蹭别人的），而老板又在催进度，而要买的服务器还在路上。就在这走投无路的情况下，我突然想起2个月之前和这个设备的负责人说要去测试一下（换句话说，我放了他两个月的鸽子。。）

看完软件说明书，我就坐着地铁揣着硬盘，硬盘里装着一个260M的基因组和230个GBS测序的数据（80G）跑到仁科生物公司以测试软件之名实为蹭别人的服务器。

首先我把数据一股脑地全从硬盘里拷到固态硬盘挂载的 /staging下

然后是建立索引：

dragen -h-ht-reference reference.fa --output-directory reference --build-hash-table true

接着我现场写了一个shell脚本用来批量分析，命名为 run_dragen.sh

#!/bin/bash
set -e
set -u
set -o pipefail
REF=$1
SAMPLES=$2
samples=$(cat $SAMPLES)
# loading hash table
dragen -l -r $REF
# calling gvcf for each sample
mkdir -p GVCF
for sample in ${samples}
do
    prefix=$(basename ${sample})
    if [ ! -f GVCF/${prefix}.done ]; then
    dragen -f -r $REF \
        -1 ${sample}.1.fq.gz -2 ${sample}.2.fq.gz \
        --enable-variant-caller true \
        --vc-emit-ref-confidence GVCF \
        --vc-sample-name ${prefix} \
        --output-directory GVCF \
        --output-file-prefix ${prefix} \
        --enable-duplicate-marking false \
        --enable-map-align-output true
    touch GVCF/${prefix}.done
    fi
done
find GVCF/ -name "*.gvcf.gz" | grep -v "hard" > gvcfs.list
# merge gvcf and join calling
mkdir -p vcf_result
if [ -f gvcfs.list -a ! -f vcf_result/combine.gvcf.gz]; then
    dragen -f -r $REF \
        --enable-combinegvcfs true \
        --output-directory vcf_result \
        --output-file-prefix combine\
        --variant-list gvcfs.listfi
if [ ! -f vcf_result/join_calling.vcf.gz ]
then
    dragen -f -r $REF \
        --enable-joint-genotyping true \
        --output-directory vcf_result \
        --output-file-prefix joint_calling\
        --variant vcf_result/combine.gvcf.gzfi

运行方法：

# 创建一个文件存放待分析的样本
find /staging/xuzhougeng/00-raw-data/ -name "*.fq.gz"| sed 's/\(.*\)\.[12].fq.gz/\1/' | uniq > samples.txt
# 执行命令, 参数分别是索引的文件夹和样本文件
bash run_dragen.sh reference samples.txt &> run.log &

按照我的估算，每个样本至少得要花个20分钟得到GVCF文件吧，毕竟我用BWA-MEM10个线程进行比对也要10min呀。事实证明我还是低估了程序猿的能力值，每个GBS样品得到GVCF文件居然只要不到1min。。

RUN TIME,,Total runtime,00:00:56.528,56.53

得到的GVCF可以进行合并，但是有一个问题，就是超过200样本就会出错，而且Join calling运行也不需要combine，所以后续的代码就删掉了merge这一步

...find GVCF/ -name "*.gvcf.gz" | grep -v "hard" > gvcfs.list
# join callingif [ ! -f vcf_result/join_calling.vcf.gz ]t
hen    dragen -f -r $REF \
        --enable-joint-genotyping true \
        --output-directory vcf_result \
        --output-file-prefix joint_calling\
        --variant-list gvcfs.listfi

在Joint Calling步骤花的时间比较长，时间是"RUN TIME,,Total runtime,00:14:24.272,864.27".

虽然软件运行速度是很快，但是写出上面的代码并且调试却花了我好久时间，于是这两天时间我就在公司里敲代码。除了GBS数据，第二天我还带着另一个260M基因组(Canu初步组装和arrow polish后到版本）和一个100X重测序数据（压缩后10G数据）去测试，分别在固态硬盘和我的移动硬盘里测试，结果如下：

固态硬盘 draft.fa: 06:31(mapping) + 28.17 (varaint calling) 
普通移动硬盘 draft.fa: 28.33(mapping) + 29.03 (varaint calling)
固态硬盘 polish.fa: 06:09(mapping) + 13.093(variant calling)
普通移动硬盘 polish.fa: 27.46(mapping) + 13.33(varint calling)

这里有两个结论

是比对的IO对速度影响非常大，也就是要一定要在固态硬盘里发挥它最大的威力。
重测序样本与参考基因组的差异程序影响variant calling这一步。

从上面的测试而言，DRAGEN的运算速度的确是非常快的。虽然你需要先把拷贝数据这一步会花点时间，但是你从公司拿到的数据其实也要拷贝到服务器才行，所以拷贝数据是不可避免的。

对于公司而言，原本需要两天才能跑完的分析可能现在2小时或者1小时不到就能搞定了，那么业务速度就快了，此外也不需要搭建spark或者自己搞一套对GATK进行并行，更何况GATK商用是要钱的，国内很多公司都是偷偷的在用吧。对于医院而言，嗯，他们不差钱。对于科研机构而言，除非专门搞一个平台管理，不然一年花掉2T的分析数据量还是有难度。

PS:当然都是比对，所以这个软件也能用于分析RNA-seq，ChIP-seq，ATAC-seq等illumina高通量测序数据，但是三代测序数据目前搞不定，不知道未来会不会支持。

PPS: EDICO公司看到这篇文章后请给我打广告费

码农公寓

相关文章