GPU加速生信分析–MMseqs2 && Chorus

2025年1月1日 写评论

元旦快乐！

在生信分析过程中，序列比对占了很大的比重，于是搜索了下相关软件，发现GPU版本的blast或者CPU-GPU混合计算（H-Blast）的软件比较难编译成功，应该是当时的软件编译环境过于老旧，对一些旧的硬件应该还是适用的。但是，依然找到了有最近发表或在活跃更新的软件，分享一下，期待这些软件可以更新并大规模应用！

Chorus：大型数据库异构GPU+CPU多蛋白序列比对搜索

在GPU显存是瓶颈，无法方便扩展的时代，与CPU混合计算就成为了一个比较可行的选择，有一些软件选择这么处理，Chorus就是其中之一，去年2月份发表在Bioinformatics，来看下这个软件。

Chorus是高效的蛋白质-蛋白质局部比对搜索工具，适用于多个查询序列和大型数据库。当一次输入多个查询序列时，比NCBI-BLASTP快300倍，当输入查询序列少于5000个时，可以领先于最先进的数据库-索引方法（比最快的MMseqs2快2.2-27倍，比最快的DIAMOND快1.1-9倍），同时保持低内存占用。

图 软件原理及性能表现

# 软件安装（windows WSL2中进行）
# 英伟达驱动(略)和cuda11.7
wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.7.0/local_installers/cuda-repo-wsl-ubuntu-11-7-local_11.7.0-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-11-7-local_11.7.0-1_amd64.deb
sudo cp /var/cuda-repo-wsl-ubuntu-11-7-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt update
sudo apt-get -y install cuda
# 添加环境变量
export CUDA_HOME=/usr/local/cuda-11.7/
export PATH=$CUDA_HOME/bin:$PATH
export CPATH=$CUDA_HOME/include:$CPATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH
# 编译，需要cmake
git clone https://github.com/Bio-Acc/Chorus.git
cd Chorus/
mkdir build
cd build
cmake ..cd Chorus/
make
# 然后就获得了createDB和query两个可执行程序

建库程序

./createDB
Usage: <executable_name> <protein_db.fasta> <output_db> [batch_size_GB]
Example: ./creatDB protein_db.fasta output_db 4

参数说明：

  • <protein_db.fasta>：输入FASTA文件，包含蛋白质序列。
  • <output_db>：输出数据库文件的路径。
  • [batch_size_GB]：可选，处理时的批处理大小（GB），默认为GPU显存的三分之一。

查询程序

./query
usage: ./query -q <query.fasta> -d <db1> [db2 ... (optional)] -o <output file> [options]

参数说明： 

  • --outfmt INT：输出格式，0为m8表格格式，1为详细比对，2为表格和完整参考序列（fasta格式），3为Opfi格式，4为a3m格式，5为Diamond基准格式。默认为0。
  • -p0, --filter-level INT：通过局部对齐的HSP候选的过滤级别，值越小结果越敏感。默认为1。
  • --min-score INT：显示的每个对齐的最小分数。默认为0。
  • -e, --max-evalue FLOAT：显示的每个比对的最大期望值。默认为10。
  • --max-output-align INT：每个查询显示的最大比对数，0表示无限制。默认为0。
  • --num-threads INT：CPU局部比对的线程数。默认为16。
  • -k, --seed-length INT：k-mer的长度（3, 4, 5）。默认为5。
  • -w, --qit-width INT：查询k-mer的宽度。默认为4。
  • -h, --hash-size INT：哈希表大小比例，值越大GPU投票哈希表越大（每增加一倍）。默认为2。
  • --band-width INT：局部比对的宽度。默认为8。
  • --must-include STRING INT：要求参考序列必须匹配正则表达式N次。例如：--must-include "R[A-Z]{4,7}H" 2。

建库时需要指定batch大小，如没有默认是显存的1/3，建议不要手动将该值增加到GPU内存的一半以上，应该是会显著减慢运行速度。照旧把编译好的二进制文件上传到了百度网盘，回复 “Chorus”自取。软件也有docker版本，可以拉取使用。

MMseq2新增GPU支持：超快速和敏感的序列搜索和聚类软件

这个老牌的软件大家应该是相对熟悉的，github上的星标已经1.5K+，文章引用也有2745次啦！GPU支持刚刚引入，2024.11上传在了预印本，期待早日发表在CNS上。但是软件的设计思路没有采用混合，是纯GPU的，如果数据库大，对显存的要求很高，只能寄望于未来的优化啦！

MMseqs2（多对多序列搜索）用于搜索和聚类大蛋白质和核苷酸序列集，其运行速度是BLAST的10000倍。在其速度的100倍时，它几乎达到了同样的灵敏度。它可以执行profile搜索与PSI-BLAST相同的灵敏度超过400倍的速度。MMseqs2-GPU在NVIDIA L40S GPU上的搜索速度比在128核CPU上的MMseqs2 k-mer快20倍，便宜71倍。软件需要安培或更新架构的NVIDIA GPU才能全速运行，特斯拉一代GPU也可以以低速运行。

# 官方有二进制文件发布，安装就很简单啦，只要驱动够新就行的
# 能在glibc >= 2.29的系统上使用。不需要安装CUDA，只需要nvidia驱动>=525.60.13
wget https://mmseqs.com/latest/mmseqs-linux-gpu.tar.gz
tar xvzf mmseqs-linux-*.tar.gz
# 就可以开心使用啦
MMseqs2 (Many against Many sequence searching) is an open-source software suite for very fast,
parallelized protein sequence searches and clustering of huge protein sequence data sets.

Please cite: M. Steinegger and J. Soding. MMseqs2 enables sensitive protein sequence searching for the analysis of massive data sets. Nature Biotechnology, doi:10.1038/nbt.3988 (2017).

MMseqs2 Version: 747c64cc8db3b4803a0f1194a3f75b3ba9f81bcb
© Martin Steinegger (martin.steinegger@snu.ac.kr)

usage: mmseqs <command> [<args>]

参数说明：

纯文本输入/输出：

  • easy-search：进行敏感的同源性搜索。
  • easy-cluster：进行慢速但敏感的聚类。
  • easy-linclust：快速线性时间聚类，但敏感度较低。
  • easy-taxonomy：进行分类学分类。
  • easy-rbh：寻找互为最佳命中（Reciprocal Best Hit, RBH）。

数据库输入/输出：

  • search：进行敏感的同源性搜索。
  • map：映射几乎完全相同的序列。
  • rbh：进行互为最佳命中搜索。
  • linclust：快速但敏感度较低的聚类。
  • cluster：进行慢速但敏感的聚类。
  • clusterupdate：用新序列更新之前的聚类。
  • taxonomy：进行分类学分类。

输入数据库创建：

  • databases：列出并下载数据库。
  • createdb：将FASTA/Q文件转换为序列数据库。
  • createindex：存储预计算的索引在磁盘上，以减少搜索开销。
  • convertmsa：将Stockholm/PFAM MSA文件转换为MSA数据库。
  • msa2profile：将MSA数据库转换为profile数据库。

下游处理的格式转换：

  • convertalis：将对齐数据库转换为BLAST-tab、SAM或自定义格式。
  • createtsv：将结果数据库转换为制表符分隔的文件。
  • convert2fasta：将序列数据库转换为FASTA格式。
  • taxonomyreport：以Kraken或Krona格式创建分类报告。

参考：

1.https://github.com/soedinglab/MMseqs2/wiki

2.https://www.biorxiv.org/content/10.1101/2024.11.13.623350v1.full

3.https://github.com/Bio-Acc/Chorus

本篇文章来源于微信公众号:微因

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注