Vortrag auf dem Bitkom Big Data Summit am 25.02.2016 Auf dem Big Data Summit des Digitalverbandes Bitkom am 25. Februar 2016 im Congress Park in Hanau hielten Dr. Matthias Schlesner vom DKFZ und Dr. Fritz Schinkel von Fujitsu einen Vortrag zum Thema "Schnelle Orientierung in Genomdaten" (Donnerstag, 25.02.2016 von 12:30 bis 13:00 Uhr). Dabei gingen sie auf die Vorteile ein, welche die Analyse von Rohdaten mithilfe von Big-Data-Infrastrukturen und entsprechender Analysesoftware bieten. Weitere Informationen: http://www.fujitsu.com/de/about/resources/news/press-releases/2016/2016-02-19-big-data-in-der-medizin-fujitsu-primeflex-for.html

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

2. 03.03.2016 Matthias Schlesner1
Blut
Tumor
„Keimbahn“- DNA
Tumor-DNA
Whole Genome
Sequencing
Tumor-spezifische
Mutationen
Spezifische Vulne-
rabilitäten des Tumors
Report
Bioinformatische
Analyse
Therapie-
Entscheidung
Genombasierte Krebsmedizin

3. 03.03.2016 Matthias Schlesner2
Deutsches
Krebsforschungszentrum
betreibt Illumina X Ten
• Kapazität: 18.000
humane Genome (30x)
pro Jahr
Personalisierte Onkologie
Illumina HiSeq X Ten
www.illumina.com
• Ziel: allen Tumorpatienten am Nationalen Centrum für
Tumorerkrankungen in Heidelberg (~3.500 Patienten p.a.) die
Sequenzierung (whole genome) des Tumorgenoms anbieten

4. 03.03.2016 Matthias Schlesner3
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)
• Sequencing@DKFZ
~10 Terabytes pro Tag

5. 03.03.2016 Matthias Schlesner4
Jahr
1e+001e+031e+061e+09
1Tbp1Pbp1Ebp1Zbp
Stephens ZD, Lee SY, Faghri F, et al. (2015) Big Data: Astronomical or Genomical?. PLoS Biol 13(7): e1002195.
Aktuelle Kapazität:
>35 Pbp* p.a.
WeltweiteSequenzierkapazitätp.a.
SequenziertehumaneGenome
2000 2005 2010 2015 2020 2025
Entwicklung der Genomsequenzierung
Bisheriger Zuwachs
Verdopplung alle 7 Monate (historisch)
Verdopplung alle 12 Monate (Illumina)
Verdopplung alle 18 Monate (Moore’s Law)
*) Pbp = Peta base pairs

6. 03.03.2016 Matthias Schlesner5
alignierte Rohdaten
(BAM Files)
Kohorten-weite Analysen
Abweichungen zum
Referenzgenom
Tumorspezifische Mutationen
200 Gigabyte / Patient
5 Gigabyte / Patient
50 Megabyte / Patient
Aktuelle Strategie: Datenreduktion

7. 03.03.2016 Matthias Schlesner6
Problem durch Datenreduktion:
Was bedeutet “keine Mutation gefunden”?
keine Mutation gefunden
keine Mutation vorhanden
Mutation nicht detektierbar
=> wegen Datenreduktion nicht unterscheidbar

8. 03.03.2016 Matthias Schlesner7
• Analyse einer Testkohorte (52 Patienten, je ein Tumor-
und ein Kontrollgenom) ohne Datenreduktion
1. Performance-Vergleich bei der Analyse von ~900.000
Positionen in der gesamten Kohorte
2. Identifikation von Regionen in bekannten Krebsgenen ohne
ausreichende Abdeckung zur verlässlichen Identifikation von
Mutationen
03.03.2016
Zielsetzung

9. 8 Copyright 2016 FUJITSU
Storage
HPC oder Hadoop Cluster
BAM2 B2,1 B2,2 B2,3 B2,n...
BAM1 B1,1 B1,2 B1,3 B1,n...
BAM3 B3,1 B3,2 B3,3 B3,n...
BAMm Bm,1 Bm,2 Bm,3 Bm,n...
HPC - Cluster Hadoop - Cluster
BAM2
BAM1
BAM3
BAMm
Bi,j
Bi,j
Bi,j
Bi,j
...
...
...
B2,1
B3,1
Bm,1
B1,1
B2,2 B2,3 B2,n
B1,2 B1,3 B1,n
B3,2 B3,3 B3,n
Bm,2 Bm,3 Bm,n...

10. 9 Copyright 2016 FUJITSU
Bedienung: Daten statt Technik
Sammlung
Referenzgenom
DiagnoseDNA Proben
Analyse

11. 10 Copyright 2016 FUJITSU
Datenübernahme
Kohorten Table
(HDFS)
BAM 104 DNS Proben
140.000.000.000 Records,
14*1012 Basen
45 TB Daten (18TB komprimiert)

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

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

14. 13 Copyright 2016 FUJITSU
Drag & Drop Infographics

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

16. 03.03.2016 Matthias Schlesner15
Performance Test: Selektiver Pileup
Basen / min * core: 1,6 Mrd
Zeit pro BAM file: 8 Minuten
(Parallelisierung auf Chromosomenebene)
Skalierung: problematisch
(Bottlenecks: zentraler File-Server)
 21 Knoten, (105 Cores)
 104 BAM Files (14 Tbp)
 898.677 Pileup Positionen
 1 HPC Knoten (1 Core)
 1 BAM File (0,14 Tbp)
 898.677 Pileup Positionen
Basen / min * core: 1,9 Mrd
Zeit pro BAM file: <2 Minuten
(Parallelisierung auf Blockebene)
Skalierung: unproblematisch
HPC Hadoop
 Laufzeit: 85 Minuten  Laufzeit: 70 Minuten

17. 03.03.2016 Matthias Schlesner16
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)
Hadoop: Geeignete Plattform für Genomdaten
Kosten
Durchsatz

18. 03.03.2016 Matthias Schlesner17
Blind Spots in Krebsgenen
 Exone von Krebsgenen
 Anteil mit nicht ausreichender
Abdeckung zur Identifizierung
von Mutationen
 Kohorte von 52 Patienten
 Top 100 von 2208 untersuchten
Exonen
AnteilmitmangelhafterAbdeckung
Kontrolle
Tumor
Exon

19. 03.03.2016 Matthias Schlesner18
Blind Spots in Krebsgenen

20. 03.03.2016 Matthias Schlesner19
Durchschnittliche Abdeckung im Überblick
Chromosom
Exone in Krebsgenen (nach Position)

21. 20 Copyright 2016 FUJITSU
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

22. 21 Copyright 2016 FUJITSU