- 4 次围观
来自自身数据集的连锁不平衡（linkage disequilibrium，LD）信息被认为最适合用于统计精细定位等下游分析。然而，对于 \(N\) 个变异，计算复杂度为约 \(N^2/2\) 次运算，因此大多数研究使用外部参考面板，例如来自 1000 Genomes 项目的参考面板。为了在包含数亿个变异的生物样本库规模全基因组测序（whole-genome sequencing，WGS）数据集中捕获所有变异对之间的 LD，亟需新的计算策略。我们提出了一种新方法，利用多 GPU 分布式计算，为数据集中的每一对变异计算 \(R^2\)。在 30× WGS 1000 Genomes 数据集的 22 号染色体上（180 万个变异），我们的方法使用 8 块消费级 12 GB GPU（NVIDIA RTX 2080 Ti）耗时不到 10 分钟；相比之下，使用高端 64 线程 CPU（Intel Xeon Gold 6338）通过 PLINK 完成相同计算耗时超过 80 分钟，对应约 8 倍的加速。我们进一步展示了该方法在真正生物样本库规模数据上的性能：在 Penn Medicine Biobank（PMBB；57,170 个样本）中，计算 1 号染色体 LD（约 138 万个变异）耗时 49 分钟，而 PLINK 需要 22.7 小时，实现了约 28 倍的加速。借助该方法，我们在上述 30× WGS 1000 Genomes 数据集（约 1.2 亿个变异和约 2,500 个样本）上成功计算了完整的 LD 矩阵（超过 \(10^{16}\)，即 10 quadrillion 个元素），使用美国能源部阿贡领导力计算设施 Polaris 超级计算机上的 512 块 40 GB NVIDIA A100 GPU，耗时不到 6 小时。我们将这一使用 CuPy 以 Python 编写的工具公开发布。借助该工具，研究人员能够充分利用其基因组数据，而无需依赖外部 LD 参考面板，并获得更准确且具有群体特异性的研究结果，尤其适用于现有数据库中代表性不足的群体。
来自个体自身数据集的连锁不平衡（linkage disequilibrium，LD）信息被认为最适合用于统计精细定位等下游分析。然而，对于包含 \(N\) 个变异的分析，计算复杂度为约 \(N^2/2\) 次运算，因此大多数研究采用外部参考面板，例如千人基因组计划（1000 Genomes）参考面板。为了在包含数亿个变异的生物样本库规模全基因组测序（whole-genome sequencing，WGS）数据集中捕获所有变异对之间的 LD，亟需新的计算策略。我们提出了一种新方法，利用多 GPU 分布式计算，为数据集中的每一对变异计算 \(R^2\)。
在 30× WGS 千人基因组数据集的 22 号染色体上（包含 180 万个变异），我们的方法使用 8 块消费级 12 GB GPU（NVIDIA RTX 2080 Ti）耗时不足 10 分钟；相比之下，使用高端 64 线程 CPU（Intel Xeon Gold 6338）通过 PLINK 完成相同计算耗时超过 80 分钟，相当于实现了约 8 倍的加速。我们进一步在宾夕法尼亚大学医学部生物样本库（Penn Medicine Biobank，PMBB；57,170 个样本）中展示了真正的生物样本库规模性能：计算 1 号染色体的 LD（约 138 万个变异）仅需 49 分钟，而 PLINK 需要 22.7 小时，实现了约 28 倍的加速。
借助该方法，我们在上述 30× WGS 千人基因组数据集（约 1.2 亿个变异和约 2,500 个样本）上成功计算了完整的 LD 矩阵，其中包含超过 \(10^{16}\) 个元素（即超过 10 千万亿个元素）；在美国能源部阿贡领导计算设施（Argonne Leadership Computing Facility）的 Polaris 超级计算机上，使用 512 块 40 GB NVIDIA A100 GPU，整个计算过程耗时不到 6 小时。我们将这一采用 Python 和 CuPy 编写的工具公开发布。利用该工具，研究人员无需依赖外部 LD 参考面板，即可充分利用其基因组数据的全部信息，并获得更为准确且具有群体特异性的研究结果，尤其有助于研究现有数据库中代表性不足的人群。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.15.751759v1?rss=1
🏷️ 连锁不平衡 全基因组测序 GPU加速 大规模基因组计算 生物样本库 群体遗传学