paraORA:面向大型基因集库重复查询的GPU加速精确过表征分析

《Biology》:paraORA: GPU-Accelerated Exact Over-Representation Analysis for Repeated Queries of Large Gene-Set Libraries

【字体: 大 中 小 】 时间:2026年09月18日 来源:Biology 3.5

编辑推荐:

  过表征分析(over-representation analysis, ORA)被广泛用于解释选定基因列表,包括差异表达基因和细胞类型标志基因。与基于排序列表的基因集富集分析(gene-set enrichment analysis, GSEA)不同,ORA在

  
过表征分析(over-representation analysis, ORA)被广泛用于解释选定基因列表,包括差异表达基因和细胞类型标志基因。与基于排序列表的基因集富集分析(gene-set enrichment analysis, GSEA)不同,ORA在明确背景下检验选定基因是否在预定义基因集中过表征。然而,对大型基因集库的重复分析可能计算成本高昂。诸如rapidGSEA等GPU加速方法主要针对排序列表GSEA,并未解决重复精确ORA处理问题。研究人员开发了paraORA,通过一次制备基因集库并跨查询复用其压缩表示来加速重复ORA。在GPU精确路径中,重叠计数、精确超几何检验、Benjamini–Hochberg校正和比值比计算均在GPU上执行。在三种GPU模型上的425个数值验证案例中,paraORA在预设容差内与CPU参考结果一致,同时保持统计决策和排序。在RTX 4090上,面向141,002个基因集的完整内存内工作流中,CPU/GPU运行时间比从单次查询的1.89增加到100次查询的60.10,该时间包含一次性准备但排除文件写入。在另一项独立的完整文件到文件基准测试中,GPU精确路径比CPU执行快2.55倍。一项探索性limma再分析显示了方向特异性Hallmark富集。paraORA可通过网络服务和开源软件包获得。
研究背景与问题:功能富集分析将选定基因列表与生物学通路、分子功能或细胞表型联系起来。过表征分析(over-representation analysis, ORA)在明确背景基因范围下,检验某个基因集是否包含比期望更多的选定基因;而基因集富集分析(gene-set enrichment analysis, GSEA)处理的是排序的全基因组统计量。针对阈值化基因列表的重复ORA,在大规模基因集库上需要反复进行重叠计数、超几何检验和多重检验校正,计算代价很高。已有的GPU加速工具如rapidGSEA主要面向排序列表GSEA,并未解决共享基因集库下重复精确ORA的加速问题。因此,研究人员开发了paraORA,将基因集库一次性制备为可复用表示,并在GPU上执行主要数值计算,以加快多查询条件下的精确ORA。

研究意义:paraORA在不改变统计定义的前提下,通过复用基因集成员索引和GPU并行计算,使重复查询的耗时显著降低,同时保持与CPU参考一致的统计决策和排序。该工具以网络服务和开源软件包形式提供,可帮助研究人员更高效地解释大量共享同一背景与基因集库的基因列表。

主要技术方法:研究人员将GMT基因集库在显式背景下预处理为压缩稀疏行(CSR)成员索引,并将选定基因列表映射为背景布尔掩码;重叠计数通过对索引成员求和完成。GPU精确路径使用CuPy在float64下执行log-combination和最大位移log-sum-exp的精确上尾超几何检验,随后在设备上进行Benjamini–Hochberg(BH)校正与比值比计算。数值验证采用425个列联表案例,覆盖RTX 4090、RTX 4060和A40 GPU;生物学案例使用GSE19429队列(183例骨髓增生异常综合征(MDS)患者和17例健康对照的CD34+细胞)经limma分析得到的基因列表;性能测试使用141,002个基因集的汇总库。

研究结果:

3.1 跨GPU模型的数值一致性
通过425个数值验证案例,在RTX 4090、RTX 4060和A40三种GPU上,GPU精确路径的所有p值和BH校正值均满足预设的绝对-相对组合容差;最大绝对差异分别为3.72×10-11(p值)和2.89×10-11(BH校正值)。阈值决策、按术语对齐的排序、Top-10/20/100成员列表和显著术语计数均未改变。向量化CPU比较器在p值比较中424/425通过,BH比较中425/425通过。

3.2 生物学案例研究与外部验证
研究人员对GSE19429表达矩阵进行探索性limma再分析,以183例MDS患者和17例健康对照的CD34+细胞为样本,在基因水平BH校正p≤0.05且绝对平均log2表达差异≥1的标准下选出13个上调基因和69个下调基因。使用MSigDB v5.0的50个Hallmark基因集进行ORA,下调基因列表中鉴定出6个BH校正p≤0.05的术语:TNFα信号经NF-κB、IL6–JAK–STAT3信号、IL2–STAT5信号、缺氧、炎症反应和干扰素-γ反应;上调列表无显著术语。与clusterProfiler在匹配的完整查询和50术语BH定义下比较,所有50个术语的重叠计数和BH p≤0.05决策一致;固定top-500比较中50个术语标识、重叠计数和有效集大小均匹配,29个显著术语。

3.3 重复查询性能
在RTX 4090上,完整内存内工作流的CPU/GPU中位运行时间在单次查询时为11.418 s/6.037 s,100次序列查询时为525.792 s/8.749 s,CPU/GPU比值从1.89增至60.10。一次性制备成本在多查询间分摊,使平均每查询工作流时间下降;但每次查询仍独立进行重叠计数、超几何检验和BH校正。批量扩展仅在分开的诊断中使耗时减少2.80–4.93%。A40归档实验同样显示制备成本共享带来的收益。

3.4 完整工作流性能与运行时成本
在匹配的合成文件到文件基准中,GPU精确路径在141,002个基因集规模的中位运行时间为2917.8 ms,而paraORA CPU为7432.1 ms、GSEApy为9140.7 ms、GOATOOLS Fisher引擎为35,965.5 ms,GPU精确路径比paraORA CPU快2.55倍。八阶段剖析显示,库制备、GMT解析和文件写入分别占阶段中位数之和的70.6%、16.4%和12.6%,表明大量工作流时间位于GPU数值执行之外。独立预备库诊断中,GPU精确路径查询中位时间33.076 ms,远低于向量化CPU的5277.220 ms和GPU混合路径的8047.872 ms。

讨论总结:
讨论部分指出,paraORA适用于以同一注释解释多个选定基因列表的研究。固定背景并复用制备的基因集索引,可使重复查询在相同统计定义下分析,同时保留每次列表的独立检验和多重检验校正。在评估的输入上,GPU执行复现了CPU参考的重叠计数和下游推断,并在库制备后大幅缩短查询时间;但端到端性能受解析、预处理和文件写入影响。数值一致性与推断一致性是不同标准,精确统计定义并不保证跨实现的逐位相等。局限性包括:数值测试覆盖Ada架构的RTX 4090/RTX 4060和Ampere架构的A40,但主机、软件和线程设置不同,无法进行受控跨GPU比较;生产API中多对比仍串行;批量扩展收益有限;生物学案例为探索性软件用例,不构成可复现的MDS表达特征或临床机制。

研究结论部分翻译:
paraORA实现了面向固定显式背景和基因集库的重复选定基因列表的精确单侧ORA。GPU精确路径在三种测试GPU模型上保持了评估的推断输出。在RTX 4090工作负载中,实际加速比随更多查询共享一次性制备成本而增加,而完整的文件到文件加速仍受库制备和输出限制。因此,当跨查询需要一致的背景、基因集定义和统计程序时,paraORA为重复ORA提供了一种可复用实现。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号