基于多GPU分布式计算的生物银行规模连锁不平衡高效求解方法

《Bioinformatics》：ARCHER-LD: Rapid Long-Range Linkage Disequilibrium Calculations at Biobank Scale using GPU Acceleration

　　

摘要

概要

来自数据集自身的连锁不平衡（LD）信息被认为对下游分析（如统计精细定位）是最优的。然而，计算复杂度（对于N个变异位点约需?$\approx \frac{N^2}{2}$量级的计算）使得大多数研究选择使用外部参考面板，例如来自千人基因组计划的数据。要在包含数亿变异位点的大型生物银行规模全基因组测序（WGS）数据集中捕获所有变异对之间的LD，需要全新的计算策略。我们提出了一种利用多GPU分布式计算来求解数据集中每个变异对$R^2$的新方法。在千人基因组计划30x WGS数据集中的第22号染色体（180万个变异位点）上，我们使用8块消费级12GB GPU（NVIDIA RTX 2080Ti）的方法耗时不到10分钟，而使用PLINK在高性能64线程CPU（Intel Xeon Gold 6338）上执行相同计算耗时超过80分钟，相当于$\approx$8倍加速。我们进一步在宾夕法尼亚医学生物银行（PMBB；57,170个样本）中展示了真实的生物银行规模性能：计算第1号染色体的LD（?$\approx$138万个变异位点）耗时49分钟，而PLINK耗时22.7小时，实现了$\approx$28倍加速。利用该方法，我们在前述千人基因组计划30x WGS数据集（?$\approx$1.2亿变异位点和$\approx$2500个样本）上成功计算了完整的LD矩阵（超过1e16，即10亿亿个元素），使用美国能源部阿贡国家实验室Polaris超级计算机上的512块NVIDIA 40GB A100 GPU，耗时不到6小时。我们已将该工具以Python和CuPy编写并向公众开源。借助该工具，研究人员可以利用其基因组数据的全部潜力，而无需依赖外部LD参考面板，从而获得更准确、更具群体特异性的结果，尤其对于现有数据库中代表性不足的群体意义重大。

可用性与实现

ARCHER-LD是一个开源工具，依据Apache License 2.0许可证托管在GitHub上，地址为https://github.com/rachitk/ARCHER-LD。本文使用的记录版本已通过Zenodo归档，地址为https://doi.org/10.5281/zenodo.23399887。

补充信息

补充材料可在Bioinformatics在线获取。