生命科学研究，俨然一场数字军备竞赛

　　

生物通报道  在当今的生命科学领域，随着研究的不断开展，越来越多的数据产生，也需要越来越多的存储空间。尽管研究也带来了一些重要的发现，但数据生成的速度已远远超过存储和分析的能力。《Bio-IT World》认为，生命科学研究如今就是一场数字军备竞赛。

新一代测序（NGS）是这一现象的主要推动者。人类基因组的数据集通常在几百Gb。目前的数据显示，每7-9个月测序数据就会倍增，但测序仍处于起步阶段。2014年，预计有22.8万基因组被测序，到2017年，这个数字有望跳到160万。

这还只是问题的一部分。连接组学（connectomics）领域映射大脑中的神经连接，并依靠纳米分辨率的电子显微镜来呈现这些连接。目前最大的数据集已经达到100 TB。在速度更快、分辨率更高的电子显微镜的驱动下，数据集预计很快达到PB级。此外，预计三到五年内成像设备每秒将产生1 TB的数据。

再加上各种大规模项目，比如十万人基因组计划、人类微生物组计划等，数据总量将达到几百PB。因此，文章认为，生命科学研究的重担将从科学方法转移到分析框架和生物信息学。

过去，基因组测序的成本曾是最重要的成本因素。然而，随着NGS的到来，测序成本每年降低大约5倍。相比之下，分析成本每年只降低两倍，这使得它成为探索过程中最大的成本因素和最明显的瓶颈。同时，数据分析也是相当耗时的。超过1/4的研究人员需要花费7天以上的时间来分析数据。

科学探索的大敌

文章指出，科学研究严重依赖于计算和存储设备。大多数研究所使用高性能计算平台来改善获得结果的时间。然而，根据分析的不同，分析管道和工具大相径庭。这就给计算资源和存储系统带来了很大的负担，因为它们往往是为一般用途设计的，而不是为基因组分析而优化的。

值得注意的是，在过去的60年中，计算能力已经增加了万亿倍，而存储能力只是略微增加。计算和存储能力之间的这种失调对数据分析造成了严重影响，特别是在数据集继续增长的情况下。若必须在存储系统中检索数据，则科学探索无疑会被延迟。

输入/输出的滞后

文章还指出，目前有三个方面严重影响了生命科学研究：1) 数据可访问性；2) 系统可扩展性；3) 输入/输出的滞后。

现代数据中心通常有多个存储系统，每个都为特定用途而设计。这就会造成存储孤岛，使得数据难以从其他的系统访问，从而影响各机构之间的合作。此外，存储系统往往关系到特定的供应商或硬件设计，在这种情况下，它只能扩展到一定大小或性能水平。

同时，输入/输出（I/O）滞后也是一个大问题。现代计算机和存储设备使用固态闪存来减少I/O滞后。但是，软件滞后保持不变，并随着每次硬件升级而变得越来越突出。因此，软件栈已成为存储性能的新瓶颈。

如何解决？

文章认为，将数据移动到闪存上，可以减少存储滞后时间。通过使用InfiniBand带宽或服务器直连存储（DAS），可最大限度减少网络延迟。作者还提到了一个融合架构（CI）的概念，这是一个包含存储、网络和计算资源的单一设备。它克服了传统存储系统的许多局限性，因为存储数据的核心功能可在容量和性能上扩展。

总之，作者认为，采用融合架构和存储技术来最大限度提高数据可访问性，并有能力扩展到数十亿个文件和数百PB，同时尽量减少滞后时间，是未来成功的关键。（生物通 薄荷）