Thesis Präsentation

Implementing a Scientific Workflow Management System to Conduct the Transition to a Different Reference Genome of a Genetic Analysis Pipeline

Benedikt Schnur

FOM Hochschule für Oekonomie & Management
Medizinische Hochschule Hannover, Institut für Humangenetik

Agenda

• Einleitung
• Methode
• Artefakt
• Cloudnutzung
• Diskussion
• Fazit und Ausblick

Einleitung

Einleitung - Auslöser

Wechsel des Referenzgenom in der genetischen Analyse Pipeline

GRCh37 → GRCh38

• Genome Reference Consortium Human Build
• GRCh37 2009
• GRCh38 2017
• Puzzzleteile zusammensetzen → Mapping

Einleitung - Probleme

• Prozessierungskapazitäten
• Speicherplatz
• Bandbreite
• Prozessierungsdauer
• Architektur

• HPC Cluster 24h ausgelastet sobald Daten von Sequencer aus Routinediagnostik verarbeitet werden
• 1500 Genome, je 50 GB → 77 TB benötigt
• 14 Tage hochladen wenn am Stück möglich
• Bei altem Tempo 59 Tage
• Von Naturwissenschaftlern implementiert → Best Practices der IT nicht angewendet

Einleitung - Ziele

• Professionalisierung durch Einführung eines
  Scientific Workflow Management Systems (SWfMS)
  für die bestehende
  Medical Genetics Sequence Analysis Pipeline (megSAP)
• Mögliche Nutzung von Cloud Infrastruktur prüfen

Methode

Methode - Design Science Research

Vereinfachter DSR Prozess¹

1. Ken Peffers et al., „A Design Science Research Methodology for Information Systems Research“, Journal of Management Information Systems 24, Nr. 3 (2007, Dezember): 45–77, https://doi.org/10.2753/mis0742-1222240302.

Artefakt

Artefakt - Entscheidung für SWfMS

Entscheidung auf Basis der Literaturrecherche

• Domain-specific language
  • Portierbar
  • Versionierbar
• Support bereits eingesetzter Architektur
  • SLURM
  • Singularity
• Fehlerbehandlung

Artefakt - Konvertierung Pipeline zu Nextflow

Direct Acyclic Graph (DAG)

Artefakt - BAM zu FastQ Konvertierung

Artefakt - megSAP aufteilen

• Mapping
• Variant Calling
• Copy Number Variant Calling
• Structural Variant Calling
• Datenbank Import

Artefakt - Optimierung

Artefakt - Resilienz und Monitoring

• Schritte werden neu gestartet mit mehr Arbeitsspeicher
• Email nach Abschluss Pipeline

Cloudnutzung

Cloudnutzung - Kostenberechnung AWS

Beschreibung	EC2 Instanztyp	CPUs	Arbeitsspeicher in GB	Kosten in $
Speicher				2,45
Datentransfer				4,50
bam2fastq	t3.large	2	8	0,16
megSAPma	c6i.4xlarge	16	32	2,08
megSAPvc	t3.2xlarge	8	32	1,15
megSAPcn	r5.2xlarge	8	64	3,88
megSAPsv	t3.small	2	2	0,04
dragen	f1.2xlarge	8	122	12,08
Summe				26,34

Cloudnutzung - Kostenberechnung Upload mit AWS Snowball

AWS Snowball¹

• 300 $ für 10 Tage
• 80 TB HDD Kapazität

24,27 $ pro Probe, ca 2 $ gespart

1. Amazon Web Services, „Using an AWS Snowball Device - AWS Snowball“, 2023, https://docs.aws.amazon.com/snowball/latest/ug/using-device.html.

Diskussion

Diskussion - Optimierung CPU Nutzung

42,35 % Effizienter

Diskussion - Optimierung Speichernutzung

34.87 % Effizienter

Diskussion - Kostenersparnis Cloud

“Nur” 11,56 % günstiger durch Optimierung:

26,33 $ statt 29,77 $

• Instanztypen passen nicht exakt
• DRAGEN größter Kostenfaktor

• 26,33 $ statt 29,77 $
• Lizenz DRAGEN kostet ca. 40 € (bei voller Auslastung)
• HPC Kosten nicht schätzbar

Fazit und Ausblick

Fazit und Ausblick - Effizienzsteigerung

• Übernahme in diagnostische Routine
• Weitere, kontinuierliche Optimierung
• Aufteilung von megSAP in kleinere Schritte
• Speichern im CRAM Dateiformat

• vc und cn parallel

Fazit und Ausblick - Usability

Nutzung Nextflow Tower

Screenshot Nextflow Tower

Fazit und Ausblick - Neuer Sequencer

NovaSeq X Plus Produktbild¹

Einführung NovaSeq X Plus ab Q3 2023 erfordert starke Anpassungen der Pipeline

Bereits gute Vorabeit mit Nextflow

1. Illumina, Inc, „NovaSeq X Series Product Brochure“, 2022, https://emea.illumina.com/content/dam/illumina/gcs/assembled-assets/marketing-literature/novaseq-x-series-brochure-m-us-00202/novaseq-x-series-brochure-m-us-00202.pdf.

Fazit und Ausblick - Referenzgenom

• ALT Aware
• Telomere-to-Telomere (T2T)
• Graph Genom

Eine Region eines Hefe-Genoms als Variation Graph¹

1. Erik Garrison et al., „Variation Graph Toolkit Improves Read Mapping by Representing Genetic Variation in the Reference“, Nature Biotechnology 36, Nr. 9, 9 (2018, Oktober): 875–79, https://doi.org/10.1038/nbt.4227.

Danke

Medizinische Hochschule Hannover
Institut für Humangenetik

Prof. Dr. med. Brigitte Schlegelberger
Dr. rer. nat. Gunnar Schmidt
Dr. rer. nat. Winfried Hofmann

FOM Hochschule für Oekonomie & Management

Prof. Dr. Stephan Kluth

Quellenverzeichnis

Amazon Web Services. „Using an AWS Snowball Device - AWS Snowball“, 2023. https://docs.aws.amazon.com/snowball/latest/ug/using-device.html.

Garrison, Erik, Jouni Sirén, Adam M. Novak, Glenn Hickey, Jordan M. Eizenga, Eric T. Dawson, William Jones, et al. „Variation Graph Toolkit Improves Read Mapping by Representing Genetic Variation in the Reference“. Nature Biotechnology 36, Nr. 9, 9 (2018, Oktober): 875–79. https://doi.org/10.1038/nbt.4227.

Illumina, Inc. „NovaSeq X Series Product Brochure“, 2022. https://emea.illumina.com/content/dam/illumina/gcs/assembled-assets/marketing-literature/novaseq-x-series-brochure-m-us-00202/novaseq-x-series-brochure-m-us-00202.pdf.

Peffers, Ken, Tuure Tuunanen, Marcus A. Rothenberger, und Samir Chatterjee. „A Design Science Research Methodology for Information Systems Research“. Journal of Management Information Systems 24, Nr. 3 (2007, Dezember): 45–77. https://doi.org/10.2753/mis0742-1222240302.