Schnelle Orientierung in Genomdaten

Transkript

1 Schnelle Orientierung in Genomdaten Dr. Fritz Schinkel Fujitsu München Dr. DKFZ Heidelberg 0 Copyright 2016 FUJITSU

2 Genombasierte Krebsmedizin Blut Tumor Report Keimbahn - DNA Tumor-DNA Bioinformatische Analyse Whole Genome Sequencing Therapie- Entscheidung Spezifische Vulnerabilitäten des Tumors Tumor-spezifische Mutationen

3 Personalisierte Onkologie Deutsches Krebsforschungszentrum betreibt Illumina X Ten Kapazität: humane Genome (30x) pro Jahr Illumina HiSeq X Ten Ziel: allen Tumorpatienten am Nationalen Centrum für Tumorerkrankungen in Heidelberg (~3.500 Patienten p.a.) die Sequenzierung (whole genome) des Tumorgenoms anbieten

4 Big Data: Wachstumsraten 600 Terabytes pro Tag (Blog-Eintrag auf code.facebook.com von April 10th, 2014) 12 Terabytes pro Tag (Cloud Data Management; Liang Zhao et al., 2014) ~10 Terabytes pro Tag

5 Sequenzierte humane Genome Entwicklung der Genomsequenzierung 1e+00 1e+03 1e+06 1e+09 1 Tbp 1 Pbp 1 Ebp 1 Zbp Weltweite Sequenzierkapazität p.a. Bisheriger Zuwachs Verdopplung alle 7 Monate (historisch) Verdopplung alle 12 Monate (Illumina) Verdopplung alle 18 Monate (Moore s Law) Aktuelle Kapazität: >35 Pbp* p.a Jahr Stephens ZD, Lee SY, Faghri F, et al. (2015) Big Data: Astronomical or Genomical?. PLoS Biol 13(7): e *) Pbp = Peta base pairs

6 Aktuelle Strategie: Datenreduktion alignierte Rohdaten (BAM Files) Abweichungen zum Referenzgenom 200 Gigabyte / Patient 5 Gigabyte / Patient Tumorspezifische Mutationen 50 Megabyte / Patient Kohorten-weite Analysen

7 Problem durch Datenreduktion: negativ positiv Was bedeutet keine Mutation gefunden? BCL6_BREAK BCL2_BREAK MYC_BREAK CREBBP MLL2 BCL2 TP53 MYC PIM1 CCND3 HIST1H1E TNFRSF14 ARID1A FBXO11 HIST1H1C SMARCA4 TTN B2M keine Mutation vorhanden CARD11 CSMD3 EZH2 GNAI2 SOCS1 RYR2 keine TMSB4X Mutation gefunden STAT6 FAT4 PAX5 SGK1 ACTB DST ID3 LTB DDX3X GNA13 Mutation nicht detektierbar GPR98 HIST1H2BC KLHL6 F2BNB MEF2B MUC16 MYD88 OBSCN TBL1XR1 RRAGC ZNF608 USH2A => wegen Datenreduktion nicht unterscheidbar

8 Zielsetzung Analyse einer Testkohorte (52 Patienten, je ein Tumorund ein Kontrollgenom) ohne Datenreduktion 1. Performance-Vergleich bei der Analyse von ~ Positionen in der gesamten Kohorte 2. Identifikation von Regionen in bekannten Krebsgenen ohne ausreichende Abdeckung zur verlässlichen Identifikation von Mutationen

9 HPC oder Hadoop Cluster BAM 1 B 1,1 B 1,2 B 1,3... B 1,n B i,j BAM 1 B 1,1 B 1,2 B 1,3... B 1,n BAM 2 B 2,1 B 2,2 B 2,3... B 2,n B i,j BAM 2 B 2,1 B 2,2 B 2,3... B 2,n BAM 3 B 3,1 B 3,2 B 3,3... B 3,n B i,j BAM 3 B 3,1 B 3,2 B 3,3... B 3,n BAM m B m,1 B m,2 B m,3... B m,n B i,j BAM m B m,1 B m,2 B m,3... B m,n Storage HPC - Cluster Hadoop - Cluster 8 Copyright 2016 FUJITSU

10 Bedienung: Daten statt Technik Referenzgenom DNA Proben Sammlung Analyse Diagnose 9 Copyright 2016 FUJITSU

11 Datenübernahme BAM 104 DNS Proben Kohorten Table (HDFS) Records, 14*10 12 Basen 45 TB Daten (18TB komprimiert) 10 Copyright 2016 FUJITSU

12 Erster Blick auf die Daten / Histogramme 11 Copyright 2016 FUJITSU

13 Schritt für Schritt: Analytische Pipeline in Spreadsheets 12 Copyright 2016 FUJITSU

14 Drag & Drop Infographics 13 Copyright 2016 FUJITSU

15 Analyse 3 Input Dateien: 6 Workbooks / 4 Plugin-Funktionen (Java) 8 Grafiken Patient Data CIGAR Decomposition Base Gaps Gap Map Detail Selection Reference Genome Filter Tables Block Formatting Exon Gaps Pileup Gap Chart 14 Copyright 2016 FUJITSU

16 Performance Test: Selektiver Pileup HPC 1 HPC Knoten (1 Core) 1 BAM File (0,14 Tbp) Pileup Positionen Hadoop 21 Knoten, (105 Cores) 104 BAM Files (14 Tbp) Pileup Positionen Laufzeit: 85 Minuten Laufzeit: 70 Minuten Basen / min * core: 1,6 Mrd Zeit pro BAM file: 8 Minuten (Parallelisierung auf Chromosomenebene) Skalierung: problematisch (Bottlenecks: zentraler File-Server) Basen / min * core: 1,9 Mrd Zeit pro BAM file: <2 Minuten (Parallelisierung auf Blockebene) Skalierung: unproblematisch

17 Hadoop: Geeignete Plattform für Genomdaten Große Patientenkohorten (Forschung) Kostengünstige Server / Storage Konsolidierung Ohne Datentransport kürzere Gesamtlaufzeit Beschleunigung von Analysen auf Rohdaten (~20%) Analyse einzelner Patientendaten (Klinik) Parallele Analyse einzelner Patientendaten Um Faktoren schnellere Voll- und Detailanalysen (~4 x) Kosten Durchsatz

18 Anteil mit mangelhafter Abdeckung Blind Spots in Krebsgenen Kontrolle Tumor Exone von Krebsgenen Anteil mit nicht ausreichender Abdeckung zur Identifizierung von Mutationen Kohorte von 52 Patienten Top 100 von 2208 untersuchten Exonen Exon

19 Blind Spots in Krebsgenen

20 Chromosom Durchschnittliche Abdeckung im Überblick Exone in Krebsgenen (nach Position)

21 Zusammenfassung und Ausblick Genomweite Datensätze konnten im Hadoop-Cluster parallel und ohne Skalierungsprobleme analysiert werden Spreadsheets erlauben Nutzern ohne Programmierkenntnisse die Analyse genomweiter Datensätze Mehrere Regionen in Krebsgenen ohne ausreichende Sequenzierdaten zur Identifikation von Mutationen wurden identifiziert 20 Copyright 2016 FUJITSU

22 21 Copyright 2016 FUJITSU