使用 RAPIDS 進(jìn)行更快的單細(xì)胞分析

單細(xì)胞測(cè)序已成為生物醫(yī)學(xué)研究中最突出的技術(shù)之一。它在細(xì)胞水平上破譯轉(zhuǎn)錄組和表觀基因組變化的能力使研究人員獲得了有價(jià)值的新見解。因此，單細(xì)胞實(shí)驗(yàn)的規(guī)模和復(fù)雜性增加了 100 多倍，涉及 100 多萬個(gè)細(xì)胞的實(shí)驗(yàn)越來越普遍。

但是，必須在高度迭代的過程中對(duì)結(jié)果數(shù)據(jù)進(jìn)行分析。至關(guān)重要的是，快速算法用于這些迭代步驟，以實(shí)現(xiàn)快速周轉(zhuǎn)時(shí)間。

為了使用 Python 進(jìn)行更一致的單細(xì)胞分析，scverse致力于構(gòu)建一個(gè)完整的生態(tài)系統(tǒng)，以幫助研究人員進(jìn)行分析。該生態(tài)系統(tǒng)的核心是一種數(shù)據(jù)結(jié)構(gòu)，它可以在整個(gè)數(shù)據(jù)處理管道中維護(hù)各種轉(zhuǎn)換的注釋，從而實(shí)現(xiàn)單細(xì)胞分析。

AnnData 是一個(gè) Python 包，用于處理內(nèi)存和磁盤上的注釋數(shù)據(jù)矩陣，是 Scanpy 庫(kù)，是 scverse 生態(tài)系統(tǒng)中的主要單細(xì)胞分析套件。Scanpy 構(gòu)建在 PyData 生態(tài)系統(tǒng)中常見的其他庫(kù)之上，如 NumPy 、 SciPy 、 Numba 和 Scikit-learn，用于幾乎所有典型的分析步驟。

然而， Scanpy 算法大多是基于 CPU 的，并且在較大的實(shí)驗(yàn)中速度顯著減慢。單細(xì)胞分析過程的高度迭代性質(zhì)只會(huì)加劇這個(gè)問題。

GPU 用于單細(xì)胞分析

RAPIDS 可用于 GPU 進(jìn)行下游單細(xì)胞 RNA 測(cè)序（scRNA-seq）分析的一般可行性，這一可行性已在 《使用 GPU 加速單細(xì)胞基因組分析》 中得到證實(shí)。此外，該工作還產(chǎn)生了 rapids-single-cell-examples GitHub repo，其中包含一系列由 RAPIDS 和 NVIDIA Parabricks 構(gòu)建的示例。RAPIDS 是一個(gè) GPU 的開源庫(kù)套件，用于 Python 的加速數(shù)據(jù)科學(xué)，而 Parabricks 是一套免費(fèi)的 GPU 加速的、基于深度學(xué)習(xí)的行業(yè)標(biāo)準(zhǔn)基因組分析。

雖然這些示例筆記本在 GPU 上展示了一些典型的單細(xì)胞 RNA 工作流程，但它們從未用于日常使用，也從未被用作像 Scanpy 這樣的庫(kù)的 GPU – 加速替代品。

從以前的工作中汲取靈感，一個(gè)新興的圖書館叫 rapids-singlecell，是一種用于 scRNA 分析的 GPU 加速工具。該工具旨在成為與 scverse 生態(tài)系統(tǒng)兼容的每日可驅(qū)動(dòng)單細(xì)胞分析套件，它使用 RAPIDS 和 CuPy 以提供 GPU 加速的函數(shù)，這些函數(shù)幾乎是 Scanpy 中相應(yīng)函數(shù)的替代品。更多信息可以參考 rapids-single-cell-examples。

一般來說，用戶可以期望通過使用 RAPIDS，將性能提高 10 到 20 倍。想要了解更多信息，請(qǐng)?jiān)L問 使用 RAPIDS 加速單細(xì)胞基因組分析。

使用 RAPIDS 進(jìn)行更快的單細(xì)胞分析

RAPIDS-singlecell 遵循與 scverse Python 庫(kù)類似的可用性模型。它也是用 Python 編寫的，但將許多性能關(guān)鍵部分放在 GPU 上，隱藏了通常與編寫 CUDA 應(yīng)用程序（通常用于為 NVIDIA GPU 編寫加速算法的語言）相關(guān)的所有復(fù)雜性。

RAPIDS-singlecell 由五類組成，將在以下章節(jié)中進(jìn)行描述。每個(gè)類別都加速了典型的單細(xì)胞分析工作流的不同部分。

想了解更多信息，包括 RAPIDS-singlecell 提供的各種 API，請(qǐng)?jiān)L問 rapids-singlecell 文檔。

cunData

AnData ，或注釋數(shù)據(jù)對(duì)象，是一種廣泛使用的數(shù)據(jù)結(jié)構(gòu)，用于處理單細(xì)胞 RNA 測(cè)序數(shù)據(jù)。相反， cunData 是 GPU 的 AnData 對(duì)象的最小化和輕量級(jí)版本，它取代了用于預(yù)處理的 scverse 標(biāo)準(zhǔn)（圖 1 ）。 cunData 不是將計(jì)數(shù)矩陣. X 存儲(chǔ)在 CPU 上，而是將其作為 CuPy 稀疏矩陣存儲(chǔ)在 GPU 上。這使得對(duì)計(jì)數(shù)矩陣執(zhí)行計(jì)算更快、更高效。它還包含細(xì)胞（. obs 屬性）和基因（. var 屬性）的注釋數(shù)據(jù)幀，用于存儲(chǔ)細(xì)胞類型和基因名稱等附加信息。

圖 1 。 cunData 類結(jié)構(gòu)示意圖

cunData 還包括其他功能，例如能夠?qū)⒉煌姹镜挠?jì)數(shù)矩陣（如原始整數(shù)計(jì)數(shù)）存儲(chǔ)在. Layers 中。與將. Layers 存儲(chǔ)在主機(jī)（ CPU ）內(nèi)存中的 AnData 不同， cunData 還在 GPU 上存儲(chǔ). Layers ，從而減少了將數(shù)據(jù)從主機(jī)復(fù)制到 GPU 內(nèi)存的需要，并實(shí)現(xiàn)了加速計(jì)算。

cunData 支持. uns 屬性中的非結(jié)構(gòu)化注釋，以及. obsm 和. vrm 屬性中的細(xì)胞和基因的多維注釋，這些注釋存儲(chǔ)在主機(jī)內(nèi)存中。這些注釋使用戶能夠包括關(guān)于其數(shù)據(jù)的附加信息，例如空間坐標(biāo)或主成分分析（ PCA ）嵌入。

類似地， cunData 支持像 AnnData 一樣的切片。但是，與視圖相反，這些切片始終是原始數(shù)據(jù)的完整副本?？傮w而言，與更具特征豐富的 CPU 結(jié)合的 AnnData 對(duì)象相比， cunData 能夠更快地預(yù)處理 scRNA-seq 數(shù)據(jù)。

下面的 Python 片段演示了 AnnData 對(duì)象（用于處理單細(xì)胞 RNA 測(cè)序數(shù)據(jù)的標(biāo)準(zhǔn)數(shù)據(jù)結(jié)構(gòu)）到 cunData 對(duì)象的轉(zhuǎn)換。

import scanpy as sc
import rapids_singlecell as rsc
adata = sc.read("PATH TO DATASET")
cudata = rsc.cunnData.cunnData(adata=adata) 

預(yù)處理

預(yù)處理函數(shù)存儲(chǔ)在cunnData_funcs，為 Scanpy 預(yù)處理功能提供了加速的替代方案。這些函數(shù)在cunData對(duì)象，并使用 RAPIDS cuML 和 CuPy 來顯著加速基于 Scikit-learn 、 NumPy 和 SciPy 的 Scanpy 函數(shù)。

過濾細(xì)胞和基因可以用filter_cells和filter_genes功能。質(zhì)量控制由calculate_qc_metrics作用

# Basic QC rapids-singlecell
rsc.pp.flag_gene_family(cudata,gene_family_name="MT", gene_family_prefix="mt-")
rsc.pp.calculate_qc_metrics(cudata,qc_vars=["MT"])
cudata = cudata[cudata.obs["n_genes_by_counts"] > 500]
cudata = cudata[cudata.obs["pct_counts_MT"] < 20]
rsc.pp.filter_genes(cudata,min_count=3)

為了規(guī)范化您的數(shù)據(jù)， cunData _ funcs 提供了 GPU 替代normalize_total, log1p，以及最近推出的normalize_pearson_residualsScanpy 的函數(shù)。注釋highly variable genes對(duì)于 Scanpy 支持的所有口味（包括seurat，cellranger，seurat_v3，pearson_residuals)以及poisson_gene_selection，它改編自 scvi 工具。

# log normalization and highly variable gene selection
cudata.layers["counts"] = cudata.X.copy()
rsc.pp.normalize_total(cudata,target_sum=1e4)
rsc.pp.log1p(cudata)
rsc.pp.highly_variable_genes(cudata,n_top_genes=5000,flavor="seurat_v3",layer = "counts")
cudata = cudata[:,cudata.var["highly_variable"]==True]

這個(gè)regress_out用 cuML 線性回歸估計(jì)器加速了用于去除不必要的變異源的函數(shù)。它還支持多目標(biāo)回歸，這是在版本 22 . 12 的 cuML 中引入的，同時(shí)與以前的版本保持向后兼容。

cuML 包裝的主成分分析（PCA）、截?cái)嗥娈愔捣纸猓═runcated SVD）和增量主成分分析（Incremental PCA）為您提供與 Scanpy 提供的 PCA 函數(shù) 相同的選項(xiàng)。在 cunnData_funcs 中的 PCA 版本中，您可以選擇要用于分析的圖層，這是 Scanpy 目前不支持的附加功能。

# Regression, scaling and PCA
rsc.pp.regress_out(cudata,keys=["total_counts", "pct_counts_MT"])
rsc.pp.scale(cudata,max_value=10)
rsc.pp.pca(cudata, n_comps = 100)

sc.pl.pca_variance_ratio(cudata, log=True,n_pcs=100)

cunndata_funcs可以將預(yù)處理加速 10 到 20 倍（表 1-3 ）。經(jīng)過預(yù)處理后， cunData 對(duì)象被轉(zhuǎn)換為 AnnData 對(duì)象。

adata_preprocessed = cudata.to_AnnData()

工具

scanpy_gpu提供了在 AnData 對(duì)象上工作的函數(shù)，目的是提供加速的函數(shù)。在 Scanpy 和 RAPIDS -singlecell 之間保持盡可能接近的語法,元數(shù)據(jù)也被寫入.uns屬性該屬性對(duì)于存儲(chǔ)經(jīng)過訓(xùn)練的參數(shù)（例如在 PCA 計(jì)算期間計(jì)算的方差比）非常有用。scanpy_gpu為 AnnData 對(duì)象提供了一個(gè) PCA 函數(shù)，相當(dāng)于cunnData_funcs.

Scanpy 已經(jīng)支持使用 cuML 計(jì)算 GPU 上的 UMAP 和最近鄰居。scanpy_gpu通過添加更多算法，如基于加速圖的算法，擴(kuò)展了對(duì) Scanpy GPU 的支持clustering使用Leiden和Louvain來自 cuGraph ，以及Force Atlas 2用于直觀地布置圖形數(shù)據(jù)的算法。scanpy_gpu也使用PCA和kernel density estimation（ KDE ）來自 cuML 和diffusion maps以類似于 Scanpy 使用 SciPy 和 NumPy 進(jìn)行科學(xué)計(jì)算的方式，使用 CuPy 庫(kù)進(jìn)行計(jì)算。

對(duì)于批量校正，scanpy_gpu提供的 GPU 端口Harmony Integration，可以調(diào)用harmony_gpu。PyMDE（最小失真嵌入），一種能夠嵌入單細(xì)胞數(shù)據(jù)，同時(shí)以概率方式聯(lián)合學(xué)習(xí)圖和低維表示的函數(shù)，也可以在scvi-tools中使用。

RAPIDS – 單細(xì)胞置換性質(zhì)的接近下降可以使用 Scanpy 進(jìn)行可視化，使用起來很直觀，Scanpy 用于繪圖可以直接在 scverse 框架內(nèi)進(jìn)行。

解耦器

這個(gè)decoupler工具使用統(tǒng)一的框架實(shí)現(xiàn)了幾種不同的統(tǒng)計(jì)方法，重點(diǎn)關(guān)注生物活動(dòng)（如細(xì)胞、分子和生理過程，例如基因集和轉(zhuǎn)錄因子活性）。decoupler_gpu重新實(shí)現(xiàn)并加速了加權(quán)和 (run_wsum) 以及多元線性模型 (run_mlm) 方法。RAPIDS 中的 GPU 端口-singlecell 使用與解耦器相同的網(wǎng)絡(luò)/模型。表 1 顯示 wsum 的性能提高了 37 倍。

Squidpy 開發(fā)

RAPIDS – 單細(xì)胞正在不斷擴(kuò)展，為 scverse 生態(tài)系統(tǒng)提供新的加速功能。庫(kù)中添加了全面的測(cè)試，以確保代碼的正確性和可靠性。 Squidpy 能夠?qū)臻g分子數(shù)據(jù)進(jìn)行詳細(xì)分析和可視化。它有助于理解復(fù)雜的細(xì)胞相互作用和空間模式，極大地促進(jìn)了 scverse 生態(tài)系統(tǒng)的擴(kuò)展。

RAPIDS 加速了一些功能，空間自相關(guān)與莫蘭的 I 和 Geary 的 C 承諾性能提升高達(dá) 100 倍。配體受體 (ligrec) 在 Squidpy 中的交互分析也得到了優(yōu)化和加速，性能提升超過 10 倍。

基準(zhǔn)

我們的基準(zhǔn)測(cè)試結(jié)果表明，將 GPU 加速與 RAPIDS – 單細(xì)胞包和解耦器功能一起使用，可以顯著提高 scRNA-seq 分析的性能。

例如，運(yùn)行示例 rapids-singlecell notebook，在具有兩個(gè) AMD Epyc Milan 7543500GB 內(nèi)存和一個(gè)NVIDIA A100 80GB GPU 的環(huán)境下，使用 RAPIDS-singlecell 包僅需 51 秒即可完成，而傳統(tǒng)的掃描 CPU 工作流程僅需 1106 秒。

類似地，解耦器功能也顯示出顯著的速度改進(jìn)，與 CPU 上的 83 秒相比， GPU 上的 mlm 功能僅運(yùn)行了 12 秒wsum方法在 GPU 上只需 26 秒，而在 CPU 上只需要 16 分 10 秒。

總之，這些結(jié)果證明了 GPU 加速使 scRNA-seq 分析更快、更有效的潛力。表 1 總結(jié)了這些基準(zhǔn)結(jié)果。

表 1 。 90000 個(gè)單元格數(shù)據(jù)集的服務(wù)器節(jié)點(diǎn)基準(zhǔn)測(cè)試

除了之前的基準(zhǔn)測(cè)試結(jié)果之外，運(yùn)行一個(gè)示例rapids-singlecell 筆記本，當(dāng)使用 RAPIDS-singlecell 時(shí)，服務(wù)器節(jié)點(diǎn)上的 500K 個(gè) cell 大約只需要 2 分鐘。而在 CPU 上進(jìn)行同樣的分析則需要 41 分鐘。

此外，使用pearson_residuals對(duì)于高度可變的基因選擇和標(biāo)準(zhǔn)化，也可以使用 GPU 加速，從而在 scRNA-seq 分析中提供額外的速度改進(jìn)。這些基準(zhǔn)結(jié)果匯總在表 2 中。

RAPIDS-singlecell 不僅能夠在高端服務(wù)器節(jié)點(diǎn)上加速單小區(qū)數(shù)據(jù)分析，而且能夠在消費(fèi)級(jí)硬件上加速singlecell 數(shù)據(jù)分析。在 AMD 5950x CPU 、 64GB 內(nèi)存和 NVIDIA RTX 3090 GPU 的臺(tái)式機(jī)系統(tǒng)上，使用 RAPIDS-singlecell ，端到端運(yùn)行具有 50000 個(gè)電池的同一筆記本電腦大約需要 5 分鐘。盡管系統(tǒng)使用RAPIDS Memory Manager (RMM)和統(tǒng)一內(nèi)存來超額訂閱 GPU 內(nèi)存，但與 CPU 服務(wù)器相比，它的速度仍然顯著提高。這些基準(zhǔn)結(jié)果匯總在表 2 中。

表 2 。 500000 個(gè)單元格數(shù)據(jù)集的服務(wù)器節(jié)點(diǎn)和消費(fèi)者系統(tǒng)基準(zhǔn)

當(dāng)使用 RAPIDS -singlecell 時(shí)，在桌面系統(tǒng)上端到端運(yùn)行具有約 90K 個(gè)單元格的相同示例筆記本（表 1 ）僅需 48 秒。相比之下，傳統(tǒng)的掃描 CPU 工作流程需要 774 秒。加速解耦器功能還顯示出在消費(fèi)級(jí)硬件上的顯著速度改進(jìn)。表 3 總結(jié)了這些基準(zhǔn)結(jié)果。

表 3 。 90000 個(gè)細(xì)胞數(shù)據(jù)集的消費(fèi)者系統(tǒng)基準(zhǔn)

安裝

安裝 RAPIDS – 單電池有多種方法。最簡(jiǎn)單的方法是使用 GitHub 存儲(chǔ)庫(kù)中提供的一個(gè) yaml 文件。這些設(shè)置了整個(gè)環(huán)境，包括運(yùn)行示例筆記本所需的一切。

conda create -f conda/rsc_rapids_23.02.yml

您還可以從 PyPI 將 RAPIDS -singlecell 安裝到 Conda 環(huán)境中，并從 Conda 安裝 RAPIDS 。默認(rèn)安裝程序不包括 RAPIDS 或 CuPy 。 Scanpy 也被排除在外，因?yàn)樗诩夹g(shù)上是不必要的。

pip install rapids-singlecell

最后，您可以使用 RAPIDS 中的新實(shí)驗(yàn) PyPI 包從 PyPI 安裝整個(gè)庫(kù)，包括 RAPDIS 依賴項(xiàng)。然而，這種安裝方法需要用戶正確設(shè)置 CUDA ，以便可以通過 RAPIDS 和 CuPy 找到它。

要執(zhí)行此操作，可以使用以下命令：

pip install 'rapids-singlecell[rapids]’ --extra-index-url=https://pypi.nvidia.com

結(jié)論

帶 RAPIDS-singlecell 庫(kù)·,可以在比 CPU 僅計(jì)算其 UMAP 嵌入所花費(fèi)的時(shí)間更短的時(shí)間內(nèi)運(yùn)行 500K 個(gè)小區(qū)的完整分析。因此，它能夠在單細(xì)胞數(shù)據(jù)分析階段實(shí)現(xiàn)更快的迭代過程。

RAPIDS-singlecell 還使生物信息學(xué)家能夠與醫(yī)生或生物學(xué)家實(shí)時(shí)分析數(shù)據(jù)，從而更好地協(xié)作和解釋數(shù)據(jù)。根據(jù)我們的經(jīng)驗(yàn)，即使在消費(fèi)類 3090 系列顯卡上，也可以在沒有任何問題的情況下分析 200K 單元。更好的是， RMM 使 GPU 存儲(chǔ)器能夠被超額訂閱并溢出到主存儲(chǔ)器，從而使規(guī)模遠(yuǎn)遠(yuǎn)超過 500K 個(gè)單元。

使用數(shù)據(jù)中心類 NVIDIA A100 80 GB GPU ，您可以分析包含多達(dá) 2 個(gè)的矩陣31-1 （約 21 . 5 億）個(gè)非零計(jì)數(shù)。（請(qǐng)注意，這是用于稀疏矩陣計(jì)算的基于 CuPy 32 位整數(shù)的索引的當(dāng)前限制。）這種強(qiáng)大的功能使用戶能夠分析超過 100 萬個(gè)單元格的數(shù)據(jù)集。

20 倍以上加速了 RAPIDS-singlecell 提供的功能使研究人員能夠更加專注于分析和解釋他們的單細(xì)胞數(shù)據(jù)，而不是等待漫長(zhǎng)的計(jì)算過程。本著 RAPIDS 的真正精神，這最終提高了生產(chǎn)力，并促進(jìn)了對(duì)細(xì)胞生物學(xué)的新見解，這在以前是不可能的。