在 Batch 上运行 Nextflow 流水线以编排作业

---

本教程介绍了如何在批处理作业中运行 Nextflow 流水线。具体而言，本教程将运行 Nextflow 中的示例 rnaseq-nf 生命科学流水线，该流水线使用 RNA-Seq 对短读取数据中的基因组特征进行量化。

本教程面向希望将 Nextflow 与批处理服务搭配使用且已了解批处理服务的用户。

Nextflow 是一种开源软件，用于编排生物信息学工作流。

注意：本教程提供有关如何使用此应用的说明：Nextflow version 23.04.1。这些说明可能并不适用于该应用的较新版本。如需了解详情，请参阅文档：Nextflow。

目标

完成本教程后，您将了解如何执行以下操作：

• 在 Cloud Shell 中安装 Nextflow。
• 创建 Cloud Storage 存储桶。
• 配置 Nextflow 流水线。
• 在 Batch 上使用 Nextflow 运行示例流水线。
• 查看流水线的输出。
• 执行以下任一操作，以清理数据，以免产生额外费用：
  • 删除项目。
  • 逐个删除资源。

费用

在本文档中，您将使用 Google Cloud 的以下收费组件：

• Batch
• Cloud Storage

您可使用价格计算器根据您的预计使用情况来估算费用。 Google Cloud 新用户可能有资格申请免费试用。

如果您及时完成本教程中的所有步骤（包括清理），那么在此期间所创建资源的费用通常不会超过 1 美元。

准备工作

1. 登录您的 Google Cloud 账号。如果您是 Google Cloud 新手，请创建一个账号来评估我们的产品在实际场景中的表现。新客户还可获享 $300 赠金，用于运行、测试和部署工作负载。
2. Install the Google Cloud CLI.

3. To initialize the gcloud CLI, run the following command:

   gcloud init

4. Create or select a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   • Create a Google Cloud project:

     gcloud projects create PROJECT_ID

     Replace PROJECT_ID with a name for the Google Cloud project you are creating.

   • Select the Google Cloud project that you created:

     gcloud config set project PROJECT_ID

     Replace PROJECT_ID with your Google Cloud project name.

5. 确保您的 Google Cloud 项目已启用结算功能。

6. Enable the Batch, Cloud Storage, Compute Engine, and Logging APIs:

   gcloud services enable batch.googleapis.com compute.googleapis.com logging.googleapis.com storage.googleapis.com

7. Install the Google Cloud CLI.

8. To initialize the gcloud CLI, run the following command:

   gcloud init

9. Create or select a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   • Create a Google Cloud project:

     gcloud projects create PROJECT_ID

     Replace PROJECT_ID with a name for the Google Cloud project you are creating.

   • Select the Google Cloud project that you created:

     gcloud config set project PROJECT_ID

     Replace PROJECT_ID with your Google Cloud project name.

10. 确保您的 Google Cloud 项目已启用结算功能。

11. Enable the Batch, Cloud Storage, Compute Engine, and Logging APIs:

    gcloud services enable batch.googleapis.com compute.googleapis.com logging.googleapis.com storage.googleapis.com

12. 确保您的项目具有虚拟私有云 (VPC) 网络， 本教程的有效网络配置

    注意：除非 您的组织通过启用 compute.skipDefaultNetworkCreation 政策限制条件来禁止创建 default 网络 或者您的项目已修改其 default 网络。

    本教程假定您使用的是 default 网络。默认情况下，Google Cloud 资源使用 default 网络，该网络可提供本教程所需的网络访问权限。

    目标：（可选）如果您想对以下作业执行批处理作业： 使用其他网络，您可以修改 nextflow.config 文件同时定义作业的 通过 Cloud IAM google.batch.network 和 google.batch.subnetwork Nextflow 字段。但您还必须确保 并为您的工作负载正确配置子网如需了解详情，请参阅批处理网络概览。

13. 请确保您的项目至少包含一个 服务账号 在该环境中运行批量作业所需的权限 教程。

    默认情况下，作业使用 Compute Engine 默认服务账号，该账号会自动被授予“Editor”（roles/editor）IAM 角色，并且已经拥有本教程中所需的所有权限。

    注意：除非您的组织通过启用 iam.automaticIamGrantsForDefaultServiceAccounts 政策限制条件来停用默认服务账号的自动授予权限，您的项目修改了其 Compute Engine 默认服务账号，或者您想使用其他服务账号，否则无需执行此步骤。

    为了确保作业的服务账号具备必要的 允许 Batch 服务代理创建和访问 Batch 作业的资源。 请让管理员向该作业的服务账号授予 以下 IAM 角色：

    • Batch Agent Reporter (roles/batch.agentReporter) 针对项目
    • 项目的 Storage Admin (roles/storage.admin)
    • （推荐）允许作业在 Cloud Logging 中生成日志： 项目的 Logs Writer (roles/logging.logWriter)

    如需详细了解如何授予角色，请参阅管理对项目、文件夹和组织的访问权限。

    您的管理员也可以通过自定义角色或其他预定义角色向作业的服务账号授予所需的权限。

14. 确保您拥有本教程所需的权限。

    注意：如果您创建了打算在本教程中使用的项目， 此步骤无需采取任何操作。作为项目创建者，您会自动获得 Owner (roles/owner) IAM 角色，该角色已拥有本教程所需的所有权限。

    如需获得完成本教程所需的权限，请让您的管理员为您授予以下 IAM 角色：

    • Batch Job Editor (roles/batch.jobsEditor) 针对项目
    • 作业的服务账号的 Service Account User (roles/iam.serviceAccountUser) 角色
    • Storage Object Admin (roles/storage.objectAdmin) 针对项目

15. 安装 Nextflow：

    curl -s -L https://github.com/nextflow-io/nextflow/releases/download/v23.04.1/nextflow | bash
    

    输出应类似如下所示：

    N E X T F L O W
    version 23.04.1 build 5866
    created 15-04-2023 06:51 UTC
    cite doi:10.1038/nbt.3820
    http://nextflow.io
    
    Nextflow installation completed. Please note:
    - the executable file `nextflow` has been created in the folder: ...
    - you may complete the installation by moving it to a directory in your $PATH
    

创建 Cloud Storage 存储桶

创建 Cloud Storage 存储桶以存储临时工作和输出 从 Nextflow 流水线导入文件，请使用 Google Cloud 控制台或命令行。

控制台

如需使用 Google Cloud 控制台创建 Cloud Storage 存储桶，请执行以下操作： 请按以下步骤操作：

1. 在 Google Cloud 控制台中，前往存储桶页面。

   进入“存储桶”

2. 点击 创建。

3. 在创建存储桶页面上，为存储桶输入一个全局唯一的名称。

4. 点击创建。

5. 在系统将禁止公开访问窗口中，点击确认。

gcloud

如需使用 Google Cloud CLI 创建 Cloud Storage 存储桶，请使用 gcloud storage buckets create 命令。

gcloud storage buckets create gs://BUCKET_NAME

将 BUCKET_NAME 替换为 您的存储桶的全局唯一名称。

如果请求成功，输出应类似于以下内容：

Creating gs://BUCKET_NAME/...
   ```

配置 Nextflow

如需将 Nextflow 流水线配置为在 Batch 上运行，请在命令行中按照以下步骤操作：

1. 克隆示例流水线代码库：

   git clone https://github.com/nextflow-io/rnaseq-nf.git
   

2. 转到 rnaseq-nf 文件夹：

   cd rnaseq-nf
   

3. 打开 nextflow.config 文件：

   nano nextflow.config
   

   该文件应包含以下 gcb 部分：

   gcb {
     params.transcriptome = 'gs://rnaseq-nf/data/ggal/transcript.fa'
     params.reads = 'gs://rnaseq-nf/data/ggal/gut_{1,2}.fq'
     params.multiqc = 'gs://rnaseq-nf/multiqc'
     process.executor = 'google-batch'
     process.container = 'quay.io/nextflow/rnaseq-nf:v1.1'
     workDir = 'gs://BUCKET_NAME/WORK_DIRECTORY'
     google.region  = 'REGION'
   }
   

4. 在 gcb 部分中，执行以下操作：

   1. 将 BUCKET_NAME 替换为 您在前面的步骤中创建的 Cloud Storage 存储桶。

   2. 将 WORK_DIRECTORY 替换为流水线可以用来存储日志和输出的新文件夹的名称。

      例如，输入 workDir。

   3. 将 REGION 替换为要使用的区域。

      例如，输入 us-central1。

   4. 在 google.region 字段后面，添加以下字段：

      1. 添加 google.project 字段：

         google.project = 'PROJECT_ID'
         

         将 PROJECT_ID 替换为 当前 Google Cloud 项目

      2. 如果您未使用 Compute Engine 默认服务账号 作为作业的服务账号，请将 google.batch.serviceAccountEmail 字段：

         google.batch.serviceAccountEmail = 'SERVICE_ACCOUNT_EMAIL'
         

         将 SERVICE_ACCOUNT_EMAIL 替换为您为本教程准备的作业服务账号的电子邮件地址。

      目标：如需了解您可以指定哪些字段来为 Nextflow 流水线配置批处理作业，请参阅有关批处理配置范围的 Nextflow 文档。

5. 如需保存所做的修改，请执行以下操作：

   1. 按 Control+S 键。

   2. 输入 Y。

   3. 按 Enter 键。

运行流水线

使用命令行运行示例 Nextflow 流水线：

../nextflow run nextflow-io/rnaseq-nf -profile gcb

此流水线使用您在 先前的步骤。此操作最多可能需要 10 分钟才能完成。

流水线运行完毕后，输出应类似于以下内容：

N E X T F L O W  ~  version 23.04.1
Launching `https://github.com/nextflow-io/rnaseq-nf` [crazy_curry] DSL2 - revision: 88b8ef803a [master]
 R N A S E Q - N F   P I P E L I N E
 ===================================
 transcriptome: gs://rnaseq-nf/data/ggal/transcript.fa
 reads        : gs://rnaseq-nf/data/ggal/gut_{1,2}.fq
 outdir       : results

Uploading local `bin` scripts folder to gs://example-bucket/workdir/tmp/53/2847f2b832456a88a8e4cd44eec00a/bin
executor >  google-batch (4)
[67/71b856] process > RNASEQ:INDEX (transcript)     [100%] 1 of 1 ✔
[0c/2c79c6] process > RNASEQ:FASTQC (FASTQC on gut) [100%] 1 of 1 ✔
[a9/571723] process > RNASEQ:QUANT (gut)            [100%] 1 of 1 ✔
[9a/1f0dd4] process > MULTIQC                       [100%] 1 of 1 ✔

Done! Open the following report in your browser --> results/multiqc_report.html

Completed at: 20-Apr-2023 15:44:55
Duration    : 10m 13s
CPU hours   : (a few seconds)
Succeeded   : 4

查看流水线的输出

流水线运行完毕后，会存储输出文件、日志、错误或 results/qc_report.html文件内的临时文件 Cloud Storage 的“WORK_DIRECTORY”文件夹 存储桶。

要在 您的 Cloud Storage 的“WORK_DIRECTORY”文件夹 您可以使用 Google Cloud 控制台或命令行。

控制台

如需使用 Google Cloud 控制台检查流水线的输出文件，请按以下步骤操作：

1. 在 Google Cloud 控制台中，前往存储桶页面。

   进入“存储桶”

2. 在名称列中，点击您在上一步中创建的存储桶的名称。

3. 在存储桶详情页面上，打开 WORK_DIRECTORY 文件夹。

工作流运行的每个单独任务都有一个文件夹。每个文件夹 包含已运行的命令、输出文件和临时文件 创建 Deployment 清单

gcloud

如需使用 gcloud CLI 检查流水线的输出文件，请使用 gcloud storage ls 命令。

gcloud storage ls gs://BUCKET_NAME/WORK_DIRECTORY

替换以下内容：

• BUCKET_NAME：您要创建的存储桶的名称， 您在前面步骤中创建的地址。

• WORK_DIRECTORY：您在 Cloud Storage 中指定的目录 nextflow.config 文件。

输出会列出流水线运行的每个单独任务对应的文件夹。每个文件夹都包含运行过的命令、输出文件以及流水线创建的临时文件。

清理

为避免因本教程中使用的资源导致您的 Google Cloud 账号产生费用，请删除包含这些资源的项目，或者保留项目但删除各个资源。

删除项目

若要避免产生费用，最简单的方法是删除当前项目。

如需删除当前项目，请使用 Google Cloud 控制台或 gcloud CLI。

控制台

注意：删除项目会产生以下影响：

• 项目中的所有内容都会被删除。如果您将现有项目用于本文档中的任务，则删除该项目后，还将删除您已在该项目中完成的任何其他工作。
• 自定义项目 ID 丢失。创建此项目时，您可能创建了要在将来使用的自定义项目 ID。要保留使用该项目 ID 的网址（例如 appspot.com 网址），请删除项目内的所选资源，而不是删除整个项目。

如果您打算探索多个架构、教程或快速入门，则重复使用项目可以帮助您避免超出项目配额限制。

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

gcloud

注意：删除项目会产生以下影响：

• 项目中的所有内容都会被删除。如果您将现有项目用于本文档中的任务，则删除该项目后，还将删除您已在该项目中完成的任何其他工作。
• 自定义项目 ID 丢失。创建此项目时，您可能创建了要在将来使用的自定义项目 ID。要保留使用该项目 ID 的网址（例如 appspot.com 网址），请删除项目内的所选资源，而不是删除整个项目。

如果您打算探索多个架构、教程或快速入门，则重复使用项目可以帮助您避免超出项目配额限制。

Delete a Google Cloud project:

gcloud projects delete PROJECT_ID

删除各个资源

如果您想继续使用当前项目，请删除本教程中使用的各个资源。

删除存储桶

如果您不再需要本教程中使用的存储桶， 删除存储桶。

删除存储桶中的输出文件

流水线运行完毕后，会在 您的 Cloud Storage 的“WORK_DIRECTORY”文件夹 存储桶。

如需降低当前 Google Cloud 账号的 Cloud Storage 费用，您可以使用 Google Cloud 控制台或命令行删除包含流水线输出文件的文件夹。

控制台

如需使用 Google Cloud 控制台从 Cloud Storage 存储桶中删除 WORK_DIRECTORY 文件夹及所有输出文件，请按以下步骤操作：

1. 在 Google Cloud 控制台中，前往存储桶页面。

   进入“存储桶”

2. 在名称列中，点击您在上一步中创建的存储桶的名称。

3. 在存储分区详情页面上，选择包含 WORK_DIRECTORY 文件夹，然后执行以下操作：

   1. 点击删除。

   2. 如需确认，请输入 DELETE，然后点击删除。

gcloud

如需使用 gcloud CLI 从 Cloud Storage 存储桶中删除 WORK_DIRECTORY 文件夹以及所有输出文件，请将 gcloud storage rm 命令与 --recursive 标志结合使用。

gcloud storage rm gs://BUCKET_NAME/WORK_DIRECTORY \
      --recursive

替换以下内容：

• BUCKET_NAME：您在上一步中指定的存储桶的名称。

• WORK_DIRECTORY：用于存储 您在前面步骤中指定的流水线输出文件。

后续步骤

• 如需详细了解如何部署 Nextflow 工作流，请参阅 Nextflow GitHub 代码库。

• 如需详细了解 Nextflow 进程、脚本和配置选项，请参阅 Nextflow 文档。