Cloud Life Sciences è stato ritirato e non sarà più disponibile su Google Cloud dopo l'8 luglio 2025. I casi d'uso di Cloud Life Sciences sono ora supportati da Batch. Per scoprire come eseguire la migrazione del carico di lavoro, vedi Eseguire la migrazione a Batch.

Questa pagina è stata tradotta dall'API Cloud Translation.

Esegui Sentieon® DNASeq®

In questa pagina viene spiegato come eseguire Sentieon® DNASeq® come Pipeline Google Cloud per l'analisi genomica secondaria. La pipeline corrisponde ai seguenti risultati delle best practice di Genome Analysis Toolkit (GATK) versione 3.7:

Allineamento
Ordinamento
Rimozione di duplicati
Ricalibrazione del punteggio di qualità di base (BQSR)
Chiamata variante

I formati di input includono i seguenti:

file fastq
File BAM allineati e ordinati

Obiettivi

Al termine di questo tutorial saprai come:

Esegui una pipeline su Google Cloud utilizzando Sentieon® DNASeq®
Scrivere file di configurazione per diversi casi d'uso di Sentieon® DNASeq®

Costi

In questo documento utilizzi i seguenti componenti fatturabili di Google Cloud:

Compute Engine
Cloud Storage

Per generare una stima dei costi basata sull'utilizzo previsto, utilizza il Calcolatore prezzi. I nuovi utenti di Google Cloud potrebbero essere idonei per una prova gratuita.

Prima di iniziare

Installa Python 2.7 o versioni successive. Per ulteriori informazioni sulla configurazione dell'ambiente di sviluppo Python, come l'installazione di pip sul tuo sistema, consulta la Guida alla configurazione dell'ambiente di sviluppo Python.

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the Cloud Life Sciences, Compute Engine, and Cloud Storage APIs.

Enable the APIs

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the Cloud Life Sciences, Compute Engine, and Cloud Storage APIs.

Enable the APIs

Install the Google Cloud CLI.
To initialize the gcloud CLI, run the following command:
```
gcloud init
```

Update and install gcloud components:

gcloud components update
gcloud components install beta

Installa git per scaricare i file richiesti.
Scaricare git
Per impostazione predefinita, Compute Engine ha implementato quote delle risorse per evitare un utilizzo involontario. Aumentando le quote, puoi avviare più macchine virtuali contemporaneamente, aumentando la velocità effettiva e riducendo i tempi di risposta.
Per ottenere risultati ottimali in questo tutorial, devi richiedere una quota aggiuntiva superiore a quella predefinita del progetto. I suggerimenti per gli aumenti della quota sono forniti nella che segue insieme alle quote minime necessarie per eseguire il tutorial. Invia le richieste di quota nella regione us-central1:
- CPU: 64
- Disco permanente standard (GB): 375
Puoi lasciare vuoti gli altri campi di richiesta di quota per mantenere le quote attuali.

Licenza di valutazione Sentieon®

Quando utilizzi questa pipeline, Sentieon® ti concede automaticamente una licenza di valutazione di due settimane del suo software da utilizzare con Google Cloud. Per ricevere la licenza, inserisci il tuo indirizzo email nel campo EMAIL durante la configurazione della pipeline. Per informazioni su come impostare questo campo, consulta Informazioni sul formato di input.

Per continuare a utilizzare Sentieon® dopo la scadenza della licenza di valutazione, contatta support@sentieon.com.

Configura il tuo ambiente locale e prerequisiti di installazione

Se non hai virtualenv, esegui questo comando per installarlo utilizzando pip:
```
pip install virtualenv
```

Esegui questo comando per creare un ambiente Python isolato e installare le dipendenze:

virtualenv env
source env/bin/activate
pip install --upgrade \
    pyyaml \
    google-api-python-client \
    google-auth \
    google-cloud-storage \
    google-auth-httplib2

Scarica lo script della pipeline

Esegui questo comando per scaricare i file di esempio e impostare la directory attuale:

git clone https://github.com/sentieon/sentieon-google-genomics.git
cd sentieon-google-genomics

Informazioni sul formato di input

La pipeline utilizza come input i parametri specificati in un file JSON.

Nel repository scaricato è presente un file examples/example.json con i seguenti contenuti:

{
  "FQ1": "gs://sentieon-test/pipeline_test/inputs/test1_1.fastq.gz",
  "FQ2": "gs://sentieon-test/pipeline_test/inputs/test1_2.fastq.gz",
  "REF": "gs://sentieon-test/pipeline_test/reference/hs37d5.fa",
  "OUTPUT_BUCKET": "gs://BUCKET",
  "ZONES": "us-central1-a,us-central1-b,us-central1-c,us-central1-f",
  "PROJECT_ID": "PROJECT_ID"
  "REQUESTER_PROJECT": "PROJECT_ID",
  "EMAIL": "YOUR_EMAIL_HERE"
}

La tabella seguente descrive le chiavi JSON nel file:

Chiave JSON	Descrizione
`FQ1`	La prima coppia di letture nel file fastq di input.
`FQ2`	La seconda coppia di letture nel file fastq di input.
`BAM`	Il file BAM di input, se applicabile.
`REF`	Il genoma di riferimento. Se impostato, si presume che i file di indicizzazione fastq/BAM esistano.
`OUTPUT_BUCKET`	Il bucket e la directory utilizzati per archiviare i dati di output della pipeline.
`ZONES`	Un elenco separato da virgole di zone Google Cloud da utilizzare per il nodo worker.
`PROJECT_ID`	L'ID del tuo progetto Google Cloud.
`REQUESTER_PROJECT`	Un progetto da fatturare durante il trasferimento dei dati dai bucket Pagamenti a carico del richiedente.
`EMAIL`	Il tuo indirizzo email.

esegui la pipeline.

Nella directory sentieon-google-genomics, modifica il file examples/example.json sostituendo le variabili BUCKET, REQUESTER_PROJECT, EMAIL e PROJECT_ID con le risorse pertinenti del tuo progetto Google Cloud:

{
  "FQ1": "gs://sentieon-test/pipeline_test/inputs/test1_1.fastq.gz",
  "FQ2": "gs://sentieon-test/pipeline_test/inputs/test1_2.fastq.gz",
  "REF": "gs://sentieon-test/pipeline_test/reference/hs37d5.fa",
  "OUTPUT_BUCKET": "gs://BUCKET",
  "ZONES": "us-central1-a,us-central1-b,us-central1-c,us-central1-f",
  "PROJECT_ID": "PROJECT_ID",
  "REQUESTER_PROJECT": "PROJECT_ID",
  "EMAIL": "EMAIL_ADDRESS"
}

Imposta la variabile PROJECT_ID nell'ambiente:
```
export PROJECT_ID=PROJECT_ID
```
Esegui il seguente comando per eseguire la pipeline DNASeq® su un piccolo set di dati di test identificato dagli input nel file di configurazione. Per impostazione predefinita, lo script verifica che i file di input esistano nel bucket Cloud Storage prima di avviare la pipeline.
```
python runner/sentieon_runner.py --requester_project $PROJECT_ID examples/example.json
```

Se hai specificato più tentativi preemptibili, la pipeline si riavvia ogni volta che le sue istanze vengono prelevate. Dopo la pipeline termina, invia un messaggio alla console che indica se la pipeline riusciti o non riusciti.

Configurazione consigliata

Nella maggior parte dei casi, puoi ottimizzare i tempi di risposta e i costi utilizzando la seguente configurazione. La configurazione esegue un genoma umano pari a 30 volte costo di circa 1,25 $e richiede circa 2 ore. Un intero esoma umano costa circa 0,35 $e richiede circa 45 minuti. Entrambe queste stime si basano sul fatto che le istanze della pipeline non vengono prelevate.

{
  "FQ1": "gs://my-bucket/sample1_1.fastq.gz",
  "FQ2": "gs://my-bucket/sample1_2.fastq.gz",
  "REF": "gs://sentieon-test/pipeline_test/reference/hs37d5.fa",
  "OUTPUT_BUCKET": "gs://BUCKET",
  "BQSR_SITES": "gs://sentieon-test/pipeline_test/reference/Mills_and_1000G_gold_standard.indels.b37.vcf.gz,gs://sentieon-test/pipeline_test/reference/1000G_phase1.indels.b37.vcf.gz,gs://sentieon-test/pipeline_test/reference/dbsnp_138.b37.vcf.gz",
  "DBSNP": "gs://sentieon-test/pipeline_test/reference/dbsnp_138.b37.vcf.gz",
  "PREEMPTIBLE_TRIES": "2",
  "NONPREEMPTIBLE_TRY": true,
  "STREAM_INPUT": "True",
  "ZONES": "us-central1-a,us-central1-b,us-central1-c,us-central1-f",
  "PROJECT_ID": "PROJECT_ID",
  "EMAIL": "EMAIL_ADDRESS"
}

Opzioni aggiuntive

Puoi personalizzare una pipeline utilizzando le seguenti opzioni aggiuntive.

Opzioni del file di input

La pipeline supporta più file fastq separati da virgole come input, la seguente configurazione mostra:

"FQ1": "gs://my-bucket/s1_prep1_1.fastq.gz,gs://my-bucket/s1_prep2_1.fastq.gz",
"FQ2": "gs://my-bucket/s1_prep1_2.fastq.gz,gs://my-bucket/s1_prep2_2.fastq.gz",

La pipeline accetta come input file BAM separati da virgole utilizzando la chiave JSON BAM. Le letture nei file BAM non sono allineate al genoma di riferimento. Iniziano invece dalla fase di deduplicazione dei dati della pipeline. L'esempio seguente mostra una configurazione che utilizza due file BAM come input:

"BAM": "gs://my-bucket/s1_prep1.bam,gs://my-bucket/s1_prep2.bam"

Dati dell'intero esoma o configurazione di set di dati di grandi dimensioni

Le impostazioni nella configurazione consigliata sono ottimizzate per i campioni del genoma umano sequenziati con una copertura media di 30 volte. Per i file molto più piccoli o più grandi dei set di dati del genoma intero standard, puoi aumentare o diminuire le risorse disponibili per l'istanza. Per ottenere risultati ottimali con set di dati di grandi dimensioni, utilizza le seguenti impostazioni:

{
  "FQ1": "gs://sentieon-test/pipeline_test/inputs/test1_1.fastq.gz",
  "FQ2": "gs://sentieon-test/pipeline_test/inputs/test1_2.fastq.gz",
  "REF": "gs://sentieon-test/pipeline_test/reference/hs37d5.fa",
  "OUTPUT_BUCKET": "gs://BUCKET",
  "ZONES": "us-central1-a,us-central1-b,us-central1-c,us-central1-f",
  "PROJECT_ID": "PROJECT_ID",
  "EMAIL": "EMAIL_ADDRESS",
  "DISK_SIZE": 600,
  "MACHINE_TYPE": "n1-highcpu-64",
  "CPU_PLATFORM": "Intel Broadwell"
}

La tabella seguente fornisce una descrizione delle impostazioni utilizzate:

Chiave JSON	Descrizione
`DISK_SIZE`	Spazio SSD disponibile per il nodo worker.
`MACHINE_TYPE`	Il tipo di macchina virtuale Compute Engine da utilizzare. Il valore predefinito è `n1-standard-1`.
`CPU_PLATFORM`	La piattaforma CPU da richiedere. Deve essere un nome della piattaforma CPU Compute Engine valido (ad esempio "Intel Skylake").

Istanze prerilasciabili

Puoi usare istanze prerilasciabili nella tua pipeline impostando la chiave JSON PREEMPTIBLE_TRIES.

Per impostazione predefinita, il runner prova a eseguire la pipeline con un'istanza standard se i tentativi prerilasciabili sono esauriti o se la chiave JSON NONPREEMPTIBLE_TRY è impostato su 0. Puoi disattivare questo comportamento impostando il parametro NONPREEMPTIBLE_TRY per false, come mostrato nella seguente configurazione:

"PREEMPTIBLE_TRIES": 2,
"NONPREEMPTIBLE_TRY": false

La seguente tabella fornisce una descrizione delle impostazioni utilizzate:

Chiave JSON	Descrizione
`PREEMPTIBLE_TRIES`	Il numero di tentativi nella pipeline quando si utilizzano istanze prerilasciabili.
`NONPREEMPTIBLE_TRY`	Determina se provare a eseguire la pipeline con un'istanza standard dopo che sono stati esauriti i tentativi con prelazione.

Gruppi di lettura

I gruppi di lettura vengono aggiunti quando i file fastq sono allineati con un riferimento genomatico utilizzando Sentieon® BWA. Puoi fornire più gruppi di lettura separati da virgole. Il numero di gruppi di letture deve corrispondere al numero di file fastq di input. Il gruppo di lettura predefinito è @RG\\tID:read-group\\tSM:sample-name\\tPL:ILLUMINA. Per modificare il gruppo di lettura, imposta la chiave READGROUP nel file di input JSON, come показано показано nella seguente configurazione:

"READGROUP": "@RG\\tID:my-rgid-1\\tSM:my-sm\\tPL:ILLUMINA,@RG\\tID:my-rgid-2\\tSM:my-sm\\tPL:ILLUMINA"

La tabella seguente fornisce una descrizione dell'impostazione utilizzata:

Chiave JSON	Descrizione
`READGROUP`	Un gruppo di lettura contenente metadati di esempio.

Per maggiori informazioni sui gruppi di lettura, vedi Lettura dei gruppi.

Input in streaming da Cloud Storage

Puoi trasmettere in streaming file fastq di input da Cloud Storage, il che può ridurre il runtime totale della pipeline. Per trasmettere in streaming file fastq di input da Cloud Storage, imposta la chiave JSON STREAM_INPUT su True:

"STREAM_INPUT": "True"

La tabella seguente fornisce una descrizione dell'impostazione utilizzata:

Chiave JSON	Descrizione
`STREAM_INPUT`	Determina se trasmettere in streaming i file fastq di input direttamente da Cloud Storage.

Contrassegnazione duplicata

Per impostazione predefinita, la pipeline rimuove le letture duplicate dai file BAM. Puoi modificare questo comportamento impostando la chiave JSON DEDUP, come mostrato nella seguente configurazione:

"DEDUP": "markdup"

La tabella seguente fornisce una descrizione dell'impostazione utilizzata:

Chiave JSON	Descrizione
`DEDUP`	Comportamento di contrassegno duplicato. Valori validi: La configurazione predefinita rimuove le letture contrassegnate come duplicate. `markdup` contrassegna i duplicati, ma non li rimuove. `nodup` ignora la segnalazione duplicata.

Ricalibrazione del punteggio di qualità di base (BQSR) e siti noti

Il BSQR richiede siti noti di variazione genetica. Il comportamento predefinito prevede di saltare questa fase della pipeline. Tuttavia, puoi abilitare BSQR fornendo noti con la chiave JSON BQSR_SITES. Se fornita, Il file DBSNP può essere utilizzato per annotare le varianti di output durante la variante chiamata.

"BQSR_SITES": "gs://my-bucket/reference/Mills_and_1000G_gold_standard.indels.b37.vcf.gz,gs://my-bucket/reference/1000G_phase1.indels.b37.vcf.gz,gs://my-bucket/reference/dbsnp_138.b37.vcf.gz",
"DBSNP": "gs://sentieon-test/pipeline_test/reference/dbsnp_138.b37.vcf.gz"

La seguente tabella fornisce una descrizione delle impostazioni utilizzate:

Chiave JSON	Descrizione
`BSQR_SITES`	Attiva BSQR e utilizza un elenco separato da virgole dei file forniti come siti noti.
`DBSNP`	Un file dbSNP utilizzato durante la chiamata delle varianti.

Intervalli

Per alcune applicazioni, come il sequenziamento mirato o dell'intero esoma, potresti essere interessato solo a una parte del genoma. In questi casi, fornire un file di intervalli target può velocizzare l'elaborazione e ridurre le chiamate di varianti fuori target di bassa qualità. Puoi utilizzare gli intervalli con le chiavi JSON INTERVAL_FILE e INTERVAL.

"INTERVAL_FILE": "gs://my-bucket/capture-targets.bed",
"INTERVAL": "9:80331190-80646365"

La tabella seguente fornisce una descrizione delle impostazioni utilizzate:

Chiave JSON	Descrizione
`INTERVAL_FILE`	Un file contenente intervalli genomici da elaborare.
`INTERVAL`	Una stringa contenente un intervallo genomico da elaborare.

Opzioni di output

Per impostazione predefinita, la pipeline produce un BAM pre-elaborato, un controllo qualità metriche e chiamate delle varianti. Puoi disabilitare uno qualsiasi di questi output utilizzando Chiavi JSON NO_BAM_OUTPUT, NO_METRICS e NO_HAPLOTYPER. Se Non è specificato l'argomento NO_HAPLOTYPER o NULL, puoi utilizzare l'argomento Chiave JSON GVCF_OUTPUT per produrre chiamate di varianti in formato gVCF anziché VCF formato.

"NO_BAM_OUTPUT": "true",
"NO_METRICS": "true",
"NO_HAPLOTYPER": "true",
"GVCF_OUTPUT": "true",

La seguente tabella fornisce una descrizione delle impostazioni utilizzate:

Chiave JSON	Descrizione
`NO_BAM_OUTPUT`	Consente di stabilire se generare o meno un file BAM pre-elaborato.
`NO_METRICS`	Determina se restituire le metriche dei file.
`NO_HAPLOTYPER`	Determina se stampare le chiamate alle varianti.
`GVCF_OUTPUT`	Determina se restituire le chiamate delle varianti in formato gVCF.

Versioni Sentieon® DNASeq®

Puoi utilizzare qualsiasi versione recente del pacchetto software Sentieon® DNASeq® con l'API Cloud Life Sciences specificando la chiave JSON SENTIEON_VERSION, ad esempio:

"SENTIEON_VERSION": "201808.08"

Sono valide le seguenti versioni:

201711.01
201711.02
201711.03
201711.04
201711.05
201808
201808.01
201808.03
201808.05
201808.06
201808.07
201808.08

Esegui la pulizia

Al termine del tutorial, puoi ripulisci le risorse che hai creato su Google Cloud in modo che non ti venga addebitato alcun costo in futuro. Le seguenti sezioni descrivono come eliminare o disattivare queste risorse.

Elimina il progetto

Il modo più semplice per eliminare la fatturazione è quello di eliminare il progetto utilizzato per il tutorial.

Per eliminare il progetto:

Nella console Google Cloud, vai alla pagina Progetti.
Vai alla pagina Progetti
Nell'elenco dei progetti, selezionare quello da eliminare e fai clic su Elimina progetto.
Nella finestra di dialogo, digita l'ID del progetto e fai clic su Chiudi per eliminare il progetto.

Passaggi successivi

Se hai domande sulla pipeline o riscontri problemi, invia un'email support@sentieon.com.