Schnelle Orientierung in Genomdaten

0 Copyright 2016 FUJITSU

Schnelle Orientierung in Genomdaten

Dr. Fritz Schinkel Fujitsu München

Dr. Matthias Schlesner DKFZ Heidelberg

03.03.2016 Matthias Schlesner 1

Blut

Tumor

„Keimbahn“- DNA

Tumor-DNA

Whole Genome Sequencing

Tumor-spezifische Mutationen

Spezifische Vulne-rabilitäten des Tumors

Report

Bioinformatische Analyse

Therapie- Entscheidung

Genombasierte Krebsmedizin


Deutsches Krebsforschungszentrum betreibt Illumina X Ten

• Kapazität: 18.000 humane Genome (30x) pro Jahr

Personalisierte Onkologie

Illumina HiSeq X Ten

www.illumina.com

• Ziel: allen Tumorpatienten am Nationalen Centrum für Tumorerkrankungen in Heidelberg (~3.500 Patienten p.a.) die Sequenzierung (whole genome) des Tumorgenoms anbieten


Big Data: Wachstumsraten

• 600 Terabytes pro Tag (Blog-Eintrag auf code.facebook.com von April 10th, 2014)

• 12 Terabytes pro Tag (Cloud Data Management; Liang Zhao et al., 2014)

• Sequencing@DKFZ ~10 Terabytes pro Tag


Jahr

1e+0

0

1e+0

3

1e+0

6 1

e+09

1 Tb

p

1 Pb

p

1 Eb

p

1 Zb

p

Stephens ZD, Lee SY, Faghri F, et al. (2015) Big Data: Astronomical or Genomical?. PLoS Biol 13(7): e1002195.

Aktuelle Kapazität: >35 Pbp* p.a.

Wel

twei

te S

eque

nzie

rkap

azitä

t p.a

.

Sequ

enzi

erte

hum

ane

Gen

ome

2000 2005 2010 2015 2020 2025

Entwicklung der Genomsequenzierung Bisheriger Zuwachs Verdopplung alle 7 Monate (historisch) Verdopplung alle 12 Monate (Illumina) Verdopplung alle 18 Monate (Moore’s Law)

*) Pbp = Peta base pairs


alignierte Rohdaten (BAM Files)

Kohorten-weite Analysen

Abweichungen zum Referenzgenom

Tumorspezifische Mutationen

200 Gigabyte / Patient

5 Gigabyte / Patient

50 Megabyte / Patient

Aktuelle Strategie: Datenreduktion


Problem durch Datenreduktion: Was bedeutet “keine Mutation gefunden”?

keine Mutation gefunden

keine Mutation vorhanden

Mutation nicht detektierbar

=> wegen Datenreduktion nicht unterscheidbar


• Analyse einer Testkohorte (52 Patienten, je ein Tumor- und ein Kontrollgenom) ohne Datenreduktion

1. Performance-Vergleich bei der Analyse von ~900.000 Positionen in der gesamten Kohorte

2. Identifikation von Regionen in bekannten Krebsgenen ohne ausreichende Abdeckung zur verlässlichen Identifikation von Mutationen

03.03.2016

Zielsetzung


Storage

HPC oder Hadoop Cluster

BAM2 B2,1 B2,2 B2,3 B2,n ...

BAM1 B1,1 B1,2 B1,3 B1,n ...

BAM3 B3,1 B3,2 B3,3 B3,n ...

BAMm Bm,1 Bm,2 Bm,3 Bm,n ...

HPC - Cluster Hadoop - Cluster

BAM2

BAM1

BAM3

BAMm

Bi,j

Bi,j

Bi,j

Bi,j

...

...

...

B2,1

B3,1

Bm,1

B1,1

B2,2 B2,3 B2,n

B1,2 B1,3 B1,n

B3,2 B3,3 B3,n

Bm,2 Bm,3 Bm,n ...


Bedienung: Daten statt Technik

Sammlung

Referenzgenom

Diagnose DNA Proben Analyse

http://www.wasistbigdata.de/wp-content/uploads/2013/05/Datameer-logo.png


Datenübernahme

Kohorten Table (HDFS)

BAM 104 DNS Proben

140.000.000.000 Records, 14*1012 Basen 45 TB Daten (18TB komprimiert)


Erster Blick auf die Daten / Histogramme


Schritt für Schritt: Analytische Pipeline in Spreadsheets


Drag & Drop Infographics


Analyse

3 Input Dateien: 6 Workbooks / 4 Plugin-Funktionen (Java) 8 Grafiken

Block Formatting Reference

Genome

Pileup

Base Gaps Gap Map

Filter Tables

Exon Gaps Gap Chart

CIGAR Decomposition

Detail Selection

Patient Data


Performance Test: Selektiver Pileup

Basen / min * core: 1,6 Mrd Zeit pro BAM file: 8 Minuten (Parallelisierung auf Chromosomenebene)

Skalierung: problematisch (Bottlenecks: zentraler File-Server)

21 Knoten, (105 Cores) 104 BAM Files (14 Tbp) 898.677 Pileup Positionen

1 HPC Knoten (1 Core) 1 BAM File (0,14 Tbp) 898.677 Pileup Positionen

Basen / min * core: 1,9 Mrd Zeit pro BAM file: <2 Minuten (Parallelisierung auf Blockebene)

Skalierung: unproblematisch

HPC Hadoop

Laufzeit: 85 Minuten Laufzeit: 70 Minuten


Große Patientenkohorten (Forschung) • Kostengünstige Server / Storage Konsolidierung • Ohne Datentransport kürzere Gesamtlaufzeit Beschleunigung von Analysen auf Rohdaten (~20%)

Analyse einzelner Patientendaten (Klinik) • Parallele Analyse einzelner Patientendaten Um Faktoren schnellere Voll- und Detailanalysen (~4 x)

Hadoop: Geeignete Plattform für Genomdaten

Kosten

Durchsatz


Blind Spots in Krebsgenen Exone von Krebsgenen Anteil mit nicht ausreichender

Abdeckung zur Identifizierung von Mutationen

Kohorte von 52 Patienten Top 100 von 2208 untersuchten

Exonen

Ante

il m

it m

ange

lhaf

ter A

bdec

kung

Kontrolle Tumor

Exon


Blind Spots in Krebsgenen


Durchschnittliche Abdeckung im Überblick C

hrom

osom

Exone in Krebsgenen (nach Position)


Zusammenfassung und Ausblick

Genomweite Datensätze konnten im Hadoop-Cluster parallel und ohne Skalierungsprobleme analysiert werden

Spreadsheets erlauben Nutzern ohne Programmierkenntnisse die Analyse genomweiter Datensätze

Mehrere Regionen in Krebsgenen ohne ausreichende Sequenzierdaten zur Identifikation von Mutationen wurden identifiziert

Schnelle Orientierung in Genomdaten

Health & Medicine

Transcript of Schnelle Orientierung in Genomdaten