孫海濤,楊志強(qiáng),耿 越,孫豐霞

(1.山東師范大學(xué)信息技術(shù)管理處,山東濟(jì)南 250014;2.山東師范大學(xué)實(shí)驗(yàn)室與設(shè)備管理處,山東濟(jì)南 250014;3.山東師范大學(xué)生命科學(xué)學(xué)院,山東濟(jì)南 250014)

基于云計(jì)算的代謝組學(xué)數(shù)據(jù)處理研究

孫海濤1,楊志強(qiáng)2,耿 越3,孫豐霞3

(1.山東師范大學(xué)信息技術(shù)管理處,山東濟(jì)南 250014;2.山東師范大學(xué)實(shí)驗(yàn)室與設(shè)備管理處,山東濟(jì)南 250014;3.山東師范大學(xué)生命科學(xué)學(xué)院,山東濟(jì)南 250014)

根據(jù)代謝組學(xué)數(shù)據(jù)處理的特點(diǎn),提出基于云計(jì)算的代謝組學(xué)數(shù)據(jù)并行處理方法:云平臺(tái)提供多個(gè)安裝了開源數(shù)據(jù)處理軟件MZmine的計(jì)算資源,一個(gè)大規(guī)模的數(shù)據(jù)處理任務(wù)按照保留時(shí)間分散到多個(gè)計(jì)算資源上進(jìn)行并行計(jì)算。作為實(shí)例,對(duì)來源于小鼠血清樣本的代謝組學(xué)數(shù)據(jù)進(jìn)行處理。數(shù)據(jù)說明,基于云計(jì)算的數(shù)據(jù)處理方法能提高數(shù)據(jù)處理速度,節(jié)約計(jì)算成本。

云計(jì)算;代謝組學(xué);保留時(shí)間;數(shù)據(jù)處理;并行處理

代謝組學(xué)是繼基因組學(xué)和蛋白質(zhì)組學(xué)之后新發(fā)展的生命科學(xué)領(lǐng)域的一個(gè)分支,通過對(duì)生物體內(nèi)所有代謝物進(jìn)行定量或定性分析來尋找其與病理變化的關(guān)系[1-3]。Nature先后發(fā)表了多篇利用代謝組學(xué)對(duì)人類疾病進(jìn)行研究的論文[4-5]。我國科研管理部門也發(fā)布了關(guān)于代謝組學(xué)的研究課題[6-7]。核磁共振光譜(NMR)和色譜-質(zhì)譜(HPLC-GS或GC-MS)聯(lián)用是代謝組學(xué)研究中常用的兩種測量手段,每種測量手段都會(huì)產(chǎn)生大量的數(shù)據(jù),處理、分析這些數(shù)據(jù)的工作量很大,并且需要專門的數(shù)學(xué)、統(tǒng)計(jì)和信息學(xué)工具[8]。

為處理代謝組學(xué)實(shí)驗(yàn)生成的大量數(shù)據(jù),研究者對(duì)數(shù)據(jù)處理和分析方法進(jìn)行了大量研究,并開發(fā)了一些高效率的數(shù)據(jù)處理軟件。在數(shù)據(jù)預(yù)處理階段,針對(duì)不同的測量手段,研究人員做了深入的分析,如基于NMR的軟件開發(fā)[9]、液相色譜-質(zhì)譜數(shù)據(jù)高性能分析研究[10]等;也有對(duì)數(shù)據(jù)的處理方式進(jìn)行研究的,如開發(fā)單機(jī)版的代謝數(shù)據(jù)處理軟件[11]和在多核計(jì)算機(jī)上對(duì)數(shù)據(jù)并行處理的軟件[12]。對(duì)數(shù)據(jù)進(jìn)行并行處理是提高數(shù)據(jù)處理速度的重要手段,例如質(zhì)譜數(shù)據(jù)處理軟件X!Tandem實(shí)現(xiàn)并行以后,原來在單核計(jì)算機(jī)上需要處理20 h的數(shù)據(jù),在40個(gè)核的并行環(huán)境下,只需要30 min,處理速度是原來的40倍[13]。

在實(shí)驗(yàn)數(shù)據(jù)處理過程中,筆者發(fā)現(xiàn):利用單機(jī)版的代謝組學(xué)數(shù)據(jù)處理軟件進(jìn)行高通量計(jì)算需要耗費(fèi)很長時(shí)間;而并行軟件又存在著費(fèi)用高、硬件環(huán)境要求高、部署難度大的問題。為此,將云計(jì)算與成熟的開源數(shù)據(jù)處理軟件MZmine相結(jié)合,根據(jù)代謝組學(xué)數(shù)據(jù)處理特點(diǎn),將一個(gè)數(shù)據(jù)處理任務(wù)分解為多個(gè)子任務(wù),交由不同的計(jì)算資源進(jìn)行并行計(jì)算,最后將結(jié)果匯總,既加快了數(shù)據(jù)處理速度,又從軟硬件兩方面節(jié)約了成本。

1 研究的理論基礎(chǔ)

1.1 代謝組學(xué)數(shù)據(jù)處理流程

代謝組學(xué)數(shù)據(jù)處理分為原始數(shù)據(jù)預(yù)處理和數(shù)據(jù)分析兩個(gè)步驟。

在數(shù)據(jù)預(yù)處理階段,樣品經(jīng)過色譜-質(zhì)譜聯(lián)用儀檢測后得到以譜圖的形式顯示的原始數(shù)據(jù),然后由數(shù)據(jù)處理軟件對(duì)原始譜圖進(jìn)行處理,得到樣品組分的數(shù)據(jù)表格。代謝組學(xué)數(shù)據(jù)在經(jīng)過預(yù)處理以后,需要對(duì)得到的數(shù)據(jù)進(jìn)行分析和挖掘,從而發(fā)現(xiàn)有價(jià)值的信息。

數(shù)據(jù)預(yù)處理是代謝組學(xué)研究的第一步,也是最關(guān)鍵的一步。在質(zhì)譜檢測實(shí)驗(yàn)中,質(zhì)譜儀的高靈敏度產(chǎn)生了大量的原始數(shù)據(jù),單個(gè)樣本文件就有幾百M(fèi)B甚至幾GB,這些數(shù)據(jù)需要經(jīng)過基線校正、譜峰識(shí)別、重疊峰解析、保留時(shí)間對(duì)齊等處理步驟,才能得到與組分有關(guān)的信息。這個(gè)過程既耗時(shí),又有一定難度。

為高效而又準(zhǔn)確地處理這些原始數(shù)據(jù),一些儀器生產(chǎn)商和研究機(jī)構(gòu)開發(fā)出多種代謝組學(xué)數(shù)據(jù)處理軟件,如Marker Lynx、ChromaTOF、Met Align、MZmine等。本研究選用的數(shù)據(jù)處理軟件MZmine是一款免費(fèi)的開源軟件,能夠進(jìn)行可視化數(shù)據(jù)處理和數(shù)據(jù)分析[11],而且具有準(zhǔn)確數(shù)據(jù)處理的能力[14]和友好的用戶界面。

1.2 原始數(shù)據(jù)預(yù)處理并行化

并行計(jì)算是指同時(shí)使用多個(gè)計(jì)算資源解決計(jì)算問題。并行計(jì)算具有以下特征:計(jì)算任務(wù)能夠分解成多個(gè)部分解決,并行后計(jì)算速度有很大提高;由不同的計(jì)算資源同時(shí)執(zhí)行多個(gè)任務(wù)[15]。利用云平臺(tái)提供的計(jì)算資源對(duì)代謝組學(xué)數(shù)據(jù)并行處理需要考慮任務(wù)的分解和并行的速度問題。

1.2.1 任務(wù)的并行分解

在色譜-質(zhì)譜檢測中,被分離樣品成分從進(jìn)樣開始到出現(xiàn)組分濃度極大值的時(shí)間稱為組分保留時(shí)間(retention time)。在一定的色譜操作條件下,保留時(shí)間被用來作為物質(zhì)的定性依據(jù),通常以分(min)為單位[16]。依據(jù)保留時(shí)間對(duì)樣品進(jìn)行定性或定量分析是代謝組學(xué)數(shù)據(jù)預(yù)處理的重要手段。在不同保留時(shí)間段內(nèi)檢出的物質(zhì)成分和數(shù)量相差很大。有研究者曾經(jīng)對(duì)按照保留時(shí)間分段的代謝數(shù)據(jù)分別進(jìn)行處理,匯總結(jié)果證實(shí):分段處理檢測出的成分與未分段處理相同[17]。

MZmine提供了對(duì)譜圖按照保留時(shí)間分段檢測的功能,參數(shù)Retention time可以設(shè)置為原始數(shù)據(jù)的整個(gè)保留時(shí)間段,如0～12,或者設(shè)置為0～3、3～6等不同的分段。隨后的數(shù)據(jù)處理將依據(jù)Retention time的設(shè)置進(jìn)行。圖1是一個(gè)原始質(zhì)譜圖按照保留時(shí)間平均劃分成4個(gè)時(shí)間段的示意圖。在實(shí)際計(jì)算中,這種劃分可以是隨意的,但為了保證檢測數(shù)據(jù)的完整性,要保證分段能覆蓋整個(gè)保留時(shí)間(圖1是12 min),同時(shí)要處理好保留時(shí)間重疊區(qū)域在計(jì)算完成后的數(shù)據(jù)去重問題。

圖1 質(zhì)譜數(shù)據(jù)分段處理示意圖(t2為3.0～6.0)

1.2.2 并行速度

設(shè)定處理保留時(shí)間為t的原始質(zhì)譜數(shù)據(jù)所耗費(fèi)的時(shí)間為ts,則:

其中ti是兩個(gè)保留時(shí)間之間的時(shí)間段;n為計(jì)算資源的數(shù)目,如t2為3.0～6.0;在只有一個(gè)計(jì)算資源的情況下,t1＝t。(2)式的意思是:當(dāng)數(shù)據(jù)并行處理以后,完成任務(wù)耗費(fèi)的時(shí)間由所有計(jì)算中最長耗時(shí)決定。需要指出的是:(1)盡管ts＝f(t),但實(shí)際ts并非由保留時(shí)間t決定,而與檢測物的組成有關(guān);(2)如果不考慮額外消耗問題,理論上參與的計(jì)算資源越多,單個(gè)計(jì)算資源所分配的任務(wù)就越少,花費(fèi)的計(jì)算時(shí)間也越少,但這是在計(jì)算任務(wù)能夠均勻分配的前提下完成的。由于代謝組學(xué)數(shù)據(jù)分析的特殊性,要做到任務(wù)的均勻分解并不容易,因此并不能簡單地認(rèn)為計(jì)算資源n越大,t′s就越小。

1.3 云計(jì)算

云計(jì)算的概念由IBM公司于2007年提出,是并行計(jì)算、分布式計(jì)算和網(wǎng)格計(jì)算的進(jìn)一步發(fā)展,能夠給用戶提供可靠的、自定義的資源利用服務(wù),是一種新的分布式計(jì)算模式[18-19]。云計(jì)算硬件架構(gòu)在大規(guī)模廉價(jià)服務(wù)器集群之上,相比功能強(qiáng)大的大型機(jī)價(jià)格更低廉;通過多個(gè)廉價(jià)服務(wù)器的冗余,保證了系統(tǒng)的穩(wěn)定性[20]。

利用服務(wù)器集群進(jìn)行代謝組學(xué)數(shù)據(jù)處理是一種粗粒度的并行處理模式,該模式有2個(gè)主要優(yōu)點(diǎn)。

(1)可以按需分配計(jì)算資源。在樣品的組分檢測出來之前,雖然可以預(yù)測其組成,但是最終耗時(shí)仍需計(jì)算決定,所以在固定的保留時(shí)間內(nèi),由于組分的差別,有的可能需要更多的計(jì)算資源。因此,可以在計(jì)算過程中根據(jù)計(jì)算進(jìn)度,隨時(shí)提高計(jì)算資源的配置,如增加CPU或內(nèi)存等;當(dāng)一個(gè)計(jì)算任務(wù)完成后,可以釋放計(jì)算資源。

(2)計(jì)算資源的冗余配置能確保計(jì)算安全、高效地進(jìn)行。在單一計(jì)算資源環(huán)境下,如果計(jì)算資源出現(xiàn)故障,則計(jì)算過程需重新開始(或從某個(gè)固定的時(shí)間點(diǎn)開始),而采用多計(jì)算資源并行計(jì)算,則只需對(duì)故障資源進(jìn)行替換,重新計(jì)算部分?jǐn)?shù)據(jù)即可。

將云計(jì)算與成熟的代謝組學(xué)處理軟件相結(jié)合以及實(shí)現(xiàn)數(shù)據(jù)處理的并行化,是由云計(jì)算與代謝組學(xué)數(shù)據(jù)特點(diǎn)共同決定的。首先是數(shù)據(jù)處理過程可以并行化,在提高處理效率的同時(shí)又不影響結(jié)果的準(zhǔn)確性;其次是云計(jì)算架構(gòu)在廉價(jià)的服務(wù)器集群上,集群中的每一個(gè)計(jì)算資源雖然單獨(dú)處理超大規(guī)模的數(shù)據(jù)有困難,但是卻能完成分解后的小規(guī)模的數(shù)據(jù)處理任務(wù);再就是利用成熟的單機(jī)版數(shù)據(jù)處理軟件可以準(zhǔn)確而迅速地完成分解后的任務(wù),而且相比并行數(shù)據(jù)處理軟件更容易

當(dāng)數(shù)據(jù)處理并行化以后,記數(shù)據(jù)處理時(shí)間為t′s,則:部署和掌握。

2 數(shù)據(jù)處理

對(duì)代謝組學(xué)數(shù)據(jù)進(jìn)行并行化處理,目的是為了提高數(shù)據(jù)處理的速度,使一個(gè)計(jì)算規(guī)模很大的數(shù)據(jù)處理任務(wù)能在較短的時(shí)間內(nèi)完成。這可以通過以下實(shí)驗(yàn)得到驗(yàn)證。

2.1 實(shí)驗(yàn)數(shù)據(jù)與并行環(huán)境

并行處理的數(shù)據(jù)來源于小鼠血清樣本。經(jīng)過UPLC-QTOF-MS檢測得到的原始譜圖數(shù)據(jù),共有原始譜圖50個(gè),數(shù)據(jù)保留時(shí)間都為12 min。從質(zhì)譜儀得到的數(shù)據(jù)經(jīng)過格式轉(zhuǎn)換后由Mzmine2軟件完成數(shù)據(jù)的預(yù)處理工作。為了便于比較并行時(shí)間,本次實(shí)驗(yàn)所使用的計(jì)算資源是4個(gè)配置相同且滿足Mzmine2安裝要求的硬件平臺(tái)。

2.2 數(shù)據(jù)處理

為檢驗(yàn)并行速度,首先要對(duì)樣本原始數(shù)據(jù)進(jìn)行處理,得到數(shù)據(jù)處理時(shí)間,然后進(jìn)行比較。數(shù)據(jù)處理主要分以下2個(gè)過程。

(1)基準(zhǔn)時(shí)間tb的確定。為了便于討論,文中不以每次計(jì)算的具體時(shí)間做比較,而是設(shè)定一個(gè)基準(zhǔn)時(shí)間,其余的實(shí)際計(jì)算時(shí)間與之對(duì)比得到相對(duì)計(jì)算時(shí)間,這就使計(jì)算結(jié)果比較直觀,并排除了樣品本身性質(zhì)的影響,從而使處理結(jié)果具有普遍意義。本文的基準(zhǔn)時(shí)間設(shè)定為tb＝1,是所有原始數(shù)據(jù)在一個(gè)計(jì)算資源上一次性計(jì)算完成所需要的時(shí)間(注:對(duì)上述樣本數(shù)據(jù)處理大約用了27 h);

(2)并行時(shí)間的確定。將原始數(shù)據(jù)按照保留時(shí)間分段,確定不同的分段規(guī)則并記錄所花費(fèi)的時(shí)間,然后將計(jì)算時(shí)間進(jìn)行歸一化處理。表1是對(duì)同一原始數(shù)據(jù)用不同的任務(wù)分解法所用計(jì)算時(shí)間的統(tǒng)計(jì)。

表1 同一數(shù)據(jù)按不同時(shí)間段分解所用計(jì)算時(shí)間

3 實(shí)驗(yàn)結(jié)果分析

表1說明,第一次數(shù)據(jù)并行處理所需要的時(shí)間t′s＝0.47,第二次t′s＝0.27,第二次的并行速度更快一些,大約是單一計(jì)算資源完成整個(gè)數(shù)據(jù)處理時(shí)間的1/4左右。表1還說明,在數(shù)據(jù)并行處理過程中,不同的任務(wù)分解方法并行時(shí)間可能不同,按照保留時(shí)間平均分解處理任務(wù),并行速度未必是最快;設(shè)想在極端的情況下,如果代謝物的組分集中在保留時(shí)間的最后一刻,而仍采取平均分配計(jì)算資源的方法,則結(jié)果是多計(jì)算資源并行時(shí)間與單機(jī)計(jì)算時(shí)間差不多,并行處理并未加快速度。

按保留時(shí)間平均分配計(jì)算任務(wù),并行時(shí)間是由質(zhì)譜儀的工作原理和譜圖的構(gòu)成決定的,即在不同的保留時(shí)間段內(nèi),所檢測到的物質(zhì)組成成分和數(shù)量都不相同,因此花費(fèi)的處理時(shí)間也不同。如時(shí)間段t2(3～6) 與t1(0～3)相比,檢出的組分?jǐn)?shù)目與所耗費(fèi)的時(shí)間都要多。至此,基于云計(jì)算的代謝組學(xué)并行速度除了與計(jì)算資源的配置、數(shù)量有關(guān)外,更與任務(wù)的分解方式有關(guān)。在同樣的計(jì)算規(guī)模、同樣的計(jì)算資源條件下,計(jì)算式為

式中N為代謝物檢出的成分?jǐn)?shù)目。

按照式(3)來分配計(jì)算資源,能使得并行速度最快,但問題是檢測結(jié)束之前N是未知的。實(shí)驗(yàn)證實(shí):根據(jù)譜峰和保留時(shí)間來進(jìn)行任務(wù)分解,并行速度能得到很大提高;Par Jonsson等人的實(shí)驗(yàn)即是按照譜峰劃分不同的時(shí)間窗口分別進(jìn)行計(jì)算,從而提高了計(jì)算速度[17]。

4 結(jié)束語

隨著代謝組學(xué)研究的開展,高效而準(zhǔn)確地處理實(shí)驗(yàn)中產(chǎn)生的大量數(shù)據(jù)是一個(gè)艱難的任務(wù)。本文提出了基于云計(jì)算的代謝組學(xué)數(shù)據(jù)并行處理模式,將云計(jì)算與成熟的代謝組學(xué)數(shù)據(jù)處理軟件相結(jié)合。云計(jì)算可以按需提供大量的廉價(jià)計(jì)算資源,成熟的開源軟件既能保證數(shù)據(jù)得到準(zhǔn)確的處理,又能降低研究費(fèi)用。通過對(duì)并行任務(wù)的分解進(jìn)行的討論可知,以保留時(shí)間作為參數(shù),以譜圖的具體構(gòu)成作為任務(wù)分解的依據(jù),可使并行處理速度最快。實(shí)驗(yàn)也證實(shí),對(duì)高通量的代謝組學(xué)實(shí)驗(yàn)數(shù)據(jù),采用基于云計(jì)算的并行處理方式能顯著地提高計(jì)算速度。

References)

[1]亓云鵬,胡杰偉,柴逸峰,等.代謝組學(xué)數(shù)據(jù)處理研究的進(jìn)展[J].計(jì)算機(jī)與應(yīng)用化學(xué),2008,25(9):1139-1142.

[2]董繼楊,徐樂,曹紅婷,等.代謝組學(xué)數(shù)據(jù)分析方法及在糖尿病研究中的應(yīng)用[J].波譜學(xué)雜志,2007,24(4):381-393.

[3]張高勤,王玫,王媛,等.海洛因?yàn)E用大鼠尿液同體縱向?qū)φ漳Ｐ偷拇x組學(xué)研究[J].中國藥物依賴性雜志,2013,22(2):85-94.

[4]Clayton T A,Lindon J C,Cloarec O,et al.Pharmaco-metabonomic phenotyping and personalized drug treatment[J].Nature,2006,440 (7087):1073-1077.

[5]Holmes E,Loo R L,Stamler J,et al.Human metabolic phenotype diversity and its association with diet and blood pressure[J].Nature,2008,453(7193):396-400.

[6]許赟.美國空軍未來15年科技發(fā)展重點(diǎn)[J].航空科學(xué)技術(shù),2014, 25(1):1-10.

[7]科技部.國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃和重大科學(xué)研究計(jì)劃2014年重要支持方向[EB/OL].(2013-02-01)[2014-09-10].http:// www.most.gov.cn/tztg/201302/t20130201_99485.htm.

[8]want E J,Nordstr?m A,Morita H,et al.From exogenous to endogenous:the inevitable imprint of mass spectrometry in metabolomics[J].Journal of Proteome Research,2007,6(2):459-468.

[9]董繼揚(yáng),周玲,Cheng Kain-kai,等.Metaproc:一種基于NMR的代謝組學(xué)數(shù)據(jù)處理軟件[C]//第十七屆全國波譜學(xué)學(xué)術(shù)會(huì)議論文摘要集.2012:145-146.

[10]李靈巧.GC-MS數(shù)據(jù)高性能分析算法研究[D].桂林:桂林電子科技大學(xué),2011.

[11]Pluskal T,Castillo S,Villar briones A,et al.MZmine 2:Modular framework for processing,visualizing,and analuzing mass spectrometry-based molecular profile data[J].BMC Bioinformatics, 2010,11(1):395-405.

[12]Lommen A,Kools H J.Met Align 3.0:performance enhancement by efficient use of advances in computer hardware[J].Metabolomics,2012,8(4):719-726.

[13]Dexter Duncan and Andrew Link,Vanderbilt University School of Medicine,Parallel Tandem[EB/OL].[2014-09-06].http:// www.thegpm.org/prallel/.

[14]Koh Y,Pasikanti K K,Yap C W,et al.Comparative evaluation of software for retention time alignment of gas chromatography/ time-of-flight mass spectrometry-based metabonomic data[J].Journal of chromatography:A,2010,1217(52):8308-8316.

[15]陳國良,孫廣中,徐云,等.并行計(jì)算的一體化研究現(xiàn)狀與發(fā)展趨勢[J].科學(xué)通報(bào),2009,54(8):1043-1049.

[16]張良曉.氣相色譜-質(zhì)譜定性定量分析新方法研究[D].長沙:中南大學(xué),2011.

[17]Jonsson P,Gullberg J,Nordstrom A,et al.A strategy for identifying differences in large series of metabolomic samples analyzed by GC/MS[J].Anal ytical chem,2004,76(6):1738-1745.

[18]Sims K.IBM introduces ready-to-use cloud computing collaboration services get clients started with cloud computing[EB/OL].[2014-09-06].http://www-03.ibm.com/press/us/en/pressrelease/22613.wss.

[19]李喬,鄭嘯.云計(jì)算研究現(xiàn)狀綜述[J].計(jì)算機(jī)科學(xué),2011,38(4): 32-37.

[20]陳康,鄭緯民.云計(jì)算:系統(tǒng)實(shí)例與研究現(xiàn)狀[J].軟件學(xué)報(bào),2009, 20(5):1337-1348.

Study on metabonomic data processing based on cloud computing

Sun Haitao1,Yang Zhiqiang2,Geng Yue3,Sun Fengxia3
(1.Information Management Department,Shandong Normal University,Jinan 250014,China; 2.Administrative Office of Laboratory and Equipment,Shandong Normal University,Jinan 250014,China; 3.School of Life Sciences,Shandong Normal University,Jinan 250014,China)

Metabonomics is a new study branch of life science research after genomics and proteomics.It is looking for the relationships between metabolites of a creature and its pathological changes.Data processing and analysis are the key link of the metabonomics study.According to the data processing characteristic of metabonomics,a new parallel data processing method based on cloud computing is proposed.A large computing task is divided into several small tasks according to the retention time.An open source software named MZmine is used to analyze these small tasks separately with the computing resources provided by the cloud computing platform.The method could improve the speed of data processing and save the cost.

cloud computing;metabonomics;retention time;data processing;parallel processing

TP393

A

1002-4956(2015)4-0171-04

2014-09-19

山東省高等學(xué)校科技計(jì)劃項(xiàng)目(J14LN56)

孫海濤(1979—),男,山東濟(jì)南,碩士,實(shí)驗(yàn)師,主要研究方向?yàn)樵朴?jì)算、數(shù)據(jù)處理和支持向量機(jī).

E-mail:sunht＠sdnu.edu.cn