生信技巧 | GNU 并行操作

简介

有些分析需要很长时间，因为它在单个处理器上运行并且有大量数据需要处理。如果数据可以分成块并单独处理，那么问题就被认为是可并行化的。

数据并行情况

• 当文件的每一行都可以单独处理时
• 基因组的每条染色体都可以单独处理
• 组件的每个脚手架都可以单独处理

处理并行

• 压缩或解压缩 10 到 100 个文件
• 计算大文件中的行数
• 将许多样本的原始测序数据文件与基因组进行比对

不能并行的情况

基因组组装并不是简单的可并行化，因为第一步需要将每个读数与其他读数进行对齐，以便找到哪些读数相似并且应该连接（组装）。获取读取的子集会导致低质量的组装结果。

GNU 并行

我们用来并行化生物信息学问题的程序是 GNU 并行。它是“一种使用一个或多个计算节点并行执行作业的 shell 工具”。 GNU 并行可帮助您运行原本要按顺序一项一项或循环运行的作业。您可以查看 GNU Parallel 网站，以确定如何在集群上安装 Parallel 和/或了解如何使用它。

• ubuntu安装

sudo apt update  # 更新包列表
sudo apt install parallel

# 版本查看
parallel --version
1

• 集群，我们加载模块并查看版本

# 集群load 模块
module load parallel  

# 版本查看
parallel --version
1

普通情况

我们将使用纽约时报 github 存储库整理的 COVID-19 数据

mkdir GNU-parallel
cd GNU-parallel
wget https://raw.githubusercontent.com/nytimes/covid-19-data/master/us-counties.csv
1

这是一个逗号分隔的文件，所以让我们将其转换为制表符分隔的文件

more us-counties.csv  | tr ',' '\t' > us-counties.tab
1

如您所见，此数据包含各县和州有关疫情随时间变化的信息。

head us-counties.tab
1

让我们按县/州分开这些数据，而不是一个大文件

使用 sort 和 awk，我们可以首先按县/州对文件进行排序，然后使用 awk 将每一行 ($0) 打印到名为 County-state.tab 的文件中。

sort -k 2,3 us-counties.tab | awk '{print $0 > $2"-"$3".tab"}'
1

这将生成 2578 个文件 + 我们下载的原始 2 个文件

ls | wc

2580    2580   50550  # 输出结果
1

GNU示例

• Gzip 压缩 2580 个文本文件

让我们复制数据并比较使用 for 循环与使用并行运行 gzip 需要多长时间

mkdir -p gzip/parallel
mkdir -p gzip/forloop
cp *.tab gzip/parallel
cp *.tab gzip/forloop
1

• GNU 并行/gzip/forloop

cd gzip/forloop
time for f in *.tab; do gzip $f; done
real    0m15.801s
user    0m1.414s
sys     0m5.045s
1

然而，我们可以通过使用 GNU 并行来更好地利用所有可用的 CPU。该函数的使用方法是：

• 并行命令
• -j10 用于处理的作业或 cpu 数量。这里我们使用 10 个 cpu。
• 在本例中，“command”为 gzip {}，其中 {} 是占位符，用于替换分隔符后定义的文件列表
• ':::' 分隔符
• *.tab 文件列表，对以 tab 结尾的任何文件使用 * 运算符

parallel -j10 "gunzip {}" ::: *.tab.gz

real    0m5.519s
user    0m0.376s
sys     0m1.367s
1

正如您所看到的，这将 gziping 命令的速度提高了 2.3 倍。这可能会有所不同，具体取决于您拥有的 CPU 数量及其速度。