人類(lèi)外顯子組是理解和治療遺傳疾病的關(guān)鍵。盡管外顯子組只占人類(lèi)基因組的 1% 多一點(diǎn)，但它也包含大約85% 的已知變異具有顯著的疾病相關(guān)突變。這就是為什么涉及這些區(qū)域的提取和測(cè)序的全外顯子組測(cè)序在臨床研究和實(shí)踐中很受歡迎，其中優(yōu)化準(zhǔn)確性、運(yùn)行時(shí)間和成本很重要。

這篇文章展示了 NVIDIA Parabricks,一套用于高通量數(shù)據(jù)的加速基因組分析應(yīng)用程序可以用于外顯子組分析。 NVIDIA Parabricks 顯著降低了運(yùn)行時(shí)間和分析成本，同時(shí)最大限度地提高了變體調(diào)用的準(zhǔn)確性。整個(gè)外顯子組測(cè)序數(shù)據(jù)分析可以在 range of GPUs可在本地和每個(gè)主要的云提供商中使用。

利用深度學(xué)習(xí)模型最大限度地提高外顯子組測(cè)序分析的準(zhǔn)確性

UK Biobank，是世界上最全面的公開(kāi)可用生物醫(yī)學(xué)數(shù)據(jù)資源，為 47 萬(wàn)名參與者提供外顯子組數(shù)據(jù)，所有參與者都按 Regeneron Genetics Center (RGC)這些數(shù)據(jù)可通過(guò)英國(guó)生物銀行研究分析門(mén)戶(hù)網(wǎng)站提供給世界各地的研究人員，該門(mén)戶(hù)網(wǎng)站通過(guò)DNAnexus。

人類(lèi)基因組包含超過(guò) 180000 個(gè)蛋白質(zhì)編碼區(qū)或外顯子，它們共同組成一個(gè)外顯子組。每個(gè)外顯子組包含大約 3000 萬(wàn)個(gè)核苷酸。因此，變異呼叫在大規(guī)模人群研究中至關(guān)重要，在這些研究中，即使是低的假陽(yáng)性和陰性率也會(huì)產(chǎn)生相當(dāng)大的影響。要了解更多信息，請(qǐng)參閱Sequencing Your Genome: What Does It Mean?

出于這個(gè)原因， RGC 使用谷歌 DeepVariant 的定制訓(xùn)練版本分析了英國(guó)生物庫(kù)外顯子，這是一種高精度的變體分類(lèi)深度學(xué)習(xí)方法。該方法通過(guò) NVIDIA Parabricks 進(jìn)行了加速和部署，提供了與 CPU 代碼相同的準(zhǔn)確結(jié)果，具有更快的運(yùn)行時(shí)間和更低的 RGC 每個(gè)外顯子組成本。

根據(jù) RGC 基因組信息學(xué)和數(shù)據(jù)工程執(zhí)行主任 Will Salerno 的說(shuō)法，“使用 Parabricks 進(jìn)行優(yōu)化的關(guān)鍵組成部分之一不僅是使其更快、更便宜，而且還可以獲得完全相同的變體。這種再現(xiàn)性對(duì)我們來(lái)說(shuō)至關(guān)重要，這是透明的。我們不想要秘密醬汁，我們想要對(duì)每個(gè)人都有效的特殊醬汁，就像對(duì)我們一樣。”。我們所做的每一件事，都希望我們的任何合作伙伴都能從這些方法中受益。”

基因組學(xué)研究人員可以使用各種各樣的變體調(diào)用工具，從統(tǒng)計(jì)技術(shù)（例如貝葉斯或高斯混合模型）到將外顯子組變體分類(lèi)為信號(hào)或噪聲的深度學(xué)習(xí)方法（卷積或遞歸神經(jīng)網(wǎng)絡(luò)）

盡管統(tǒng)計(jì)技術(shù)可以提供一種更具普遍性的方法，但如果原始數(shù)據(jù)可用于將深度學(xué)習(xí)算法訓(xùn)練到給定的數(shù)據(jù)類(lèi)型，這些模型可能會(huì)非常準(zhǔn)確。一個(gè)例子是同一生物體/基因組的瓶中基因組細(xì)胞系，在同一實(shí)驗(yàn)室用相同的技術(shù)和實(shí)驗(yàn)室方案進(jìn)行測(cè)序

因此，深度學(xué)習(xí)變體調(diào)用主導(dǎo)了最近提交的precisionFDA Truth Challenge， 68% 的提交是基于深度學(xué)習(xí)的。 DeepVariant 本身贏得了多個(gè)類(lèi)別

DeepVariant 使用卷積神經(jīng)網(wǎng)絡(luò)在下一代測(cè)序（ NGS ）讀取或累積窗口中識(shí)別變體，并包括所有測(cè)序平臺(tái)的模型，不僅包括 Illumina 數(shù)據(jù)，還包括 PacBio 數(shù)據(jù)、 Oxford Nanopore 數(shù)據(jù)，以及新興測(cè)序平臺(tái)、全基因組樣本、外顯子組樣本等

NVIDIA Parabricks 提供 GPU-accelerated DeepVariant，以及其他幾種變體調(diào)用工具。它通過(guò) TensorRT 還包括多個(gè)此類(lèi)模型的優(yōu)化版本。

請(qǐng)參閱下面的 NVIDIA Parabricks DeepVariant 命令示例，如NVIDIA Parabricks documentation。所有 NVIDIA Parabricks 工具都是插入式替換命令，使相同的分析能夠在 GPU 上輕松運(yùn)行。

# This command assumes all the inputs are in  and all the outputs go to .
$ docker run --rm --gpus all --volume :/workdir --volume :/outputdir
    -w /workdir 
    nvcr.io/nvidia/clara/clara-parabricks:4.0.0-1 
    pbrun deepvariant 
    --ref /workdir/${REFERENCE_FILE} 
    --in-bam /workdir/${INPUT_BAM} 
    --out-variants /outputdir/${OUTPUT_VCF}

使用在適當(dāng)數(shù)據(jù)上訓(xùn)練的非常適合的模型可以對(duì)變體調(diào)用的后續(xù)準(zhǔn)確性產(chǎn)生重大影響。例如，與全基因組測(cè)序（ WGS ）數(shù)據(jù)相比，使用在全外顯子組測(cè)序（ WES ）數(shù)據(jù)上訓(xùn)練的 DeepVariant 模型的變體調(diào)用外顯子數(shù)據(jù)產(chǎn)生了 519 個(gè)更多的真陽(yáng)性調(diào)用， 42 個(gè)更少的假陽(yáng)性調(diào)用， 519 個(gè)更少的偽陰性調(diào)用

這意味著單核苷酸多態(tài)性（ SNPs ）的 F1 得分增加了 1% ，而 indel 的 F1 得分則增加了近 2% 。用 NVIDIA Parabricks 對(duì)瓶?jī)?nèi)基因組地面實(shí)況數(shù)據(jù)運(yùn)行的結(jié)果如表 1 所示。

表 1 。 DeepVariant 全外顯子組模型顯示，與標(biāo)準(zhǔn)全基因組模型相比，準(zhǔn)確性顯著提高

能夠?qū)?DeepVariant 切換到更合適的模型，甚至根據(jù)特定的實(shí)驗(yàn)室協(xié)議微調(diào)模型（就像 Regeneron 為英國(guó)生物銀行所做的那樣），這是基于深度學(xué)習(xí)的變體調(diào)用的一個(gè)強(qiáng)大功能

一個(gè)新的 DeepVariant retraining tool現(xiàn)已在 NVIDIA Parabricks v4 . 1 中提供，使用戶(hù)可以在 NVIDIA GPU 上快速輕松地完成此操作。您可以訓(xùn)練模型來(lái)識(shí)別由于不同版本的測(cè)序儀、濕實(shí)驗(yàn)室試劑盒、試劑等而在數(shù)據(jù)中產(chǎn)生的任何非隨機(jī)偽影。

性?xún)r(jià)比高的以提高的速度進(jìn)行分析，得到同等的結(jié)果

與小面板分析相比，外顯子組數(shù)據(jù)的計(jì)算分析是時(shí)間和成本的逐步增加。對(duì)于臨床外顯子組測(cè)序分析，加速分析在大規(guī)模交付結(jié)果方面很重要。

Agilent Alissa Reporter software例如，通過(guò)在云中自動(dòng)縮放，利用 NVIDIA GPU 和 NVIDIA Parabricks 提供外顯子組分析。這意味著安捷倫可以以更低的成本和更快的運(yùn)行時(shí)間為數(shù)千個(gè)樣本向客戶(hù)提供基因組數(shù)據(jù)的臨床見(jiàn)解

安捷倫報(bào)告稱(chēng)，他們的基礎(chǔ) GATK 工作流程以前需要 5 個(gè)小時(shí)，成本高達(dá) 10 美元，現(xiàn)在已經(jīng)減少到 9 分鐘（運(yùn)行時(shí)間減少 96% ），每個(gè)樣本只需幾美元。

Alissa Reporter 的產(chǎn)品負(fù)責(zé)人 Joachim De Schrijver 說(shuō)：“我們從樣本中獲得的信息越多越好。”。“對(duì)整個(gè)外顯子組而不是小的基因組進(jìn)行測(cè)序可以很好地實(shí)現(xiàn)這一點(diǎn)，但每個(gè)樣本的 FASTQ 文件范圍從 5 到 10 GB 不等，這可能意味著需要數(shù)小時(shí)的計(jì)算才能提取有意義的影響生命的結(jié)果。”

“安捷倫 Alissa Reporter 利用 GPU 和 Parabricks 來(lái)解決這一問(wèn)題，并在幾分鐘內(nèi)處理數(shù)據(jù)。此外，這降低了云計(jì)算基礎(chǔ)設(shè)施的成本，使我們能夠提供極具競(jìng)爭(zhēng)力的定價(jià)，”他補(bǔ)充道。

除了加速 DeepVariant ， NVIDIA Parabricks 還加速了變體呼叫者的 GATK 最佳實(shí)踐版本，包括單倍型呼叫者（用于種系）和 Mutect2 （用于體細(xì)胞）。在 NVIDIA Parabricks 中，這兩種方法產(chǎn)生的結(jié)果與開(kāi)源版本相當(dāng)（ SNPs 和 Indels 分別為 0 . 999 F1 ），但速度更快，成本更低。

在一個(gè)外顯子組上運(yùn)行 NVIDIA Parabricks 種系管道（ BWA-MEM 、排序、標(biāo)記重復(fù)項(xiàng)、 BQSR 和 HaplotypeCaller 或 DeepVariant ）可以將運(yùn)行時(shí)間從 3 小時(shí)以上（在標(biāo)準(zhǔn) CPU 實(shí)例上使用開(kāi)源等效程序）減少到 DeepVariation 的 11 分鐘（快 17 倍）和 HaploypeCaller 的 6 . 5 分鐘（快 33 倍）NVIDIA T4GPU 。

這個(gè)加速因子轉(zhuǎn)化為每個(gè)外顯子組節(jié)省了可觀的成本，因?yàn)閷?shí)例運(yùn)行的時(shí)間更短。如圖 2 所示，在 8 個(gè) NVIDIA T4 GPU 上使用 DeepVariant 運(yùn)行 NVIDIA Parabricks 種系管道，每個(gè)樣本的成本從 4 . 76 美元降低到 1 . 44 美元（便宜 70% ），使用 HaplotypeCaller 從 5 . 52 美元降低到 42 美分（便宜 92% ）。

對(duì)于更復(fù)雜的管道，這些運(yùn)行時(shí)可以堆疊，使測(cè)序的分析步驟成為一個(gè)非常大的瓶頸。例如，在癌癥研究中，外顯子組是一種常見(jiàn)的測(cè)序方法，腫瘤和正常組織都經(jīng)常測(cè)序，覆蓋范圍更廣，這些腫瘤 – 正常對(duì)的標(biāo)準(zhǔn)外顯子管道在 CPU 實(shí)例上運(yùn)行可能需要 14 個(gè)小時(shí)。如圖 3 所示，僅在兩臺(tái) NVIDIA T4 GPU 上即可將時(shí)間縮短至 1 . 5 小時(shí)。

圖 3 。體細(xì)胞管道的運(yùn)行時(shí)間（以分鐘為單位），包括腫瘤文件的對(duì)齊、正常文件的對(duì)齊，腫瘤文件的處理，正常文件的處理以及用 mutect2 調(diào)用變體（分別顯示為深色到淺色）。在與圖 2 相同的情況下，使用 SEQC-2 172x 深度腫瘤外顯子組和 178x 正常外顯子。