WaveRider for Sentieon,加速云中的下一代测序

简介: Memory Machine软件的WaveRider功能提高了Sentieon性能40%,这是Sentieon基因组分析相对于开源替代品的10倍性能优势的补充。

近日,Big Memory软件的先驱MemVerge®与基因组软件市场领导者Sentieon®宣布展开合作,加速在公有云中进行下一代测序(NGS)。

MemVerge和Sentieon将高效率的云自动化平台与先进的基因组软件引擎相结合,形成了适用于Sentieon的WaveRider。对于试图通过加速任务完成来降低云成本的生物信息学家和生物技术研究人员,Memory Machine软件的WaveRider功能提高了Sentieon性能40%,这是Sentieon基因组分析相对于开源替代品的10倍性能优势的补充。

作为合作的一部分,图片WaveRider for Sentieon用户每月可获得最多5000核小时的免费Sentieon使用权。

01

HZPC的实践:基因组测序处理的显著改善

全球驰名的马铃薯基因组研究市场领导者HZPC面临在云中运行数千个长时间运行的下一代测序作业的成本和时间挑战。随着样本的收集增加,计算时间迅速增加。HZPC需要一个既能缩短计算时间又能减少云成本的平台。使用WaveRider for Sentieon,HZPC看到了显著的性能改善和成本节约。

“我们对WaveRider for Sentieon解决方案的性能印象深刻。初步测试显示出4-5倍加速,我们期望在调优解决方案时进一步改善结果。更快的处理速度再加上利用spot instances显著降低了我们的云成本,” HZPC生物信息学项目负责人Remco Ursem表示,“这个解决方案使我们能够比以往更有效地完成我们的NGS运行,并将帮助我们的研究提升到一个新的水平。”图片

02

WaveRider for Sentieon

Sentieon软件为BWA-MEM、STAR、Minimap2、GATK、Mutect2和大型队列联合调用提供了可替代方案,还提供了具有增强准确性和速度的其他变异调用流程。Sentieon软件支持目前所有可用的短读和长读测序平台,具有:

• 获奖级准确性
• 快速交付时间
• 大幅降低成本

Sentieon工具通过优化的计算算法设计和企业级软件实施实现其效率,并使用行业最经过验证的数学方法实现高准确性。

“通过与MemVerge合作,Sentieon进一步扩大了对其先进基因组软件引擎的访问,并进一步提高了Sentieon市场领先产品的性能,” Sentieon的产品管理总监Frank Hu表示,“通过与MemVerge的Memory Machine Cloud结合,WaveRider for Sentieon解决方案真正成为世界上快且高效的公共云下一代测序(NGS)引擎。”

WaveRider:相对基准的40%速度提升

MMCloud是一个强大而直观的计算软件平台,专为在云端运行数据密集型管道和交互式计算应用而设计。其创新的WaveRider技术能够根据工作负载的实时需求调整云资源。

当在MMCloud上启动Sentieon工作负载时,它们能够智能地利用WaveRider技术,在需要时灵活调配更多资源,而在适当时精准地使用更少资源。这一创新性的技术带来了前所未有的性能提升和成本效益。

在进行WGS基准测试时,WaveRider for Sentieon解决方案相对于基准提高了40%的性能,同时通过使用On-Demand实例,成功降低了34%的云成本。更进一步,通过使用spot instances,我们能够实现更大幅度的云成本降低。这标志着在云计算领域取得了令人瞩目的进展,为用户提供了更高效、更经济的解决方案。

“基因组研究人员在利用公共云的过程中面临的最大障碍是成本、资源效率和易用性,” MemVerge的首席运营官Jon Jiang表示,“我们设计Memory Machine Cloud来通过自动化解决这些挑战。通过致力于将我们强大的云自动化平台与Sentieon领先的二次分析引擎集成,我们正在使基因组分析比以往任何时候都更加高效,最终帮助加速发现。”

WaveRider for Sentieon现已上线。通过此集成解决方案,MemVerge为用户提供免费license访问Sentieon基因组软件,具体免费额度可联系我们进行咨询。

Sentieon系列内容: Sentieon开箱测评
产品已上架云市场,点击立享30天免费试用。

目录
相关文章
|
17天前
|
存储 人工智能 数据格式
总说具身智能的数据太贵,鹏城实验室开源百万规模标准化数据集
【9月更文挑战第18天】鹏城实验室提出的ARIO(All Robots In One)标准,为具身智能领域带来了统一的数据格式、丰富的感知模态及多样化的真实与模拟数据,显著提升了数据集的质量与规模,助力智能系统更好地与物理世界互动。基于此标准构建的大规模数据集包含约300万个片段,覆盖258个系列和321,064个任务,极大地推动了具身智能的研究与发展。然而,该数据集也面临着存储需求高、系统互操作性及应用场景适应性等挑战。论文详情见:http://arxiv.org/abs/2408.10899。
43 11
|
2月前
|
机器学习/深度学习 存储 监控
利用机器学习技术优化数据中心能效
【7月更文挑战第36天】在数据中心管理和运营中,能源效率已成为关键性能指标之一。随着能源成本的不断上升以及环境保护意识的增强,开发智能化、自动化的解决方案以降低能耗和提高能源利用率变得尤为重要。本文探讨了如何应用机器学习技术对数据中心的能源消耗进行建模、预测和优化,提出了一个基于机器学习的框架来动态调整资源分配和工作负载管理,以达到节能的目的。通过实验验证,该框架能够有效减少数据中心的能耗,同时保持服务质量。
|
5月前
|
SQL 分布式计算 数据挖掘
阿里云MaxCompute携手华大基因打造精准医疗应用云平台,十万基因组计算成本降低至1000美金以内
华大基因是中国最领先的基因科技公司,华大基因为消除人类病痛、经济危机、国家灾难、濒危动物保护、缩小贫富差距等方面提供分子遗传层面的技术支持。让我们结合maxcompute的技术特点,看看如何助力华大基因。
2103 13
|
5月前
|
机器学习/深度学习 存储 传感器
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】 在数据中心的运行中,冷却系统的能效对整体运营成本有着显著的影响。随着人工智能技术的进步,特别是机器学习(ML)的发展,出现了新的机会来优化数据中心的能源使用效率。本文将探讨如何通过机器学习模型预测数据中心的热负荷,并据此动态调整冷却策略,以实现能耗最小化。我们将介绍所采用的数据集、预处理方法、模型选择、训练过程以及最终实施的策略。结果表明,基于机器学习的预测系统能够有效降低数据中心的能源消耗,并为可持续运营提供支持。
|
5月前
|
机器学习/深度学习 数据采集 存储
提升数据中心能效:采用机器学习优化冷却系统
【5月更文挑战第28天】在数据中心的运营成本中,冷却系统的能源消耗占据了显著比例。随着能源价格的不断上涨和可持续发展的需求日益增长,如何降低这一开支成为业界关注的焦点。本文将探讨利用机器学习技术对数据中心冷却系统进行优化的方法。通过分析历史数据和实时监控,机器学习模型能够预测冷却需求并动态调整系统设置,以实现最佳的能效比。这种方法不仅能减少能源消耗,还能提高系统的可靠性和稳定性。
|
5月前
|
机器学习/深度学习 存储 运维
利用机器学习优化数据中心的能效
【5月更文挑战第25天】 在数据中心的设计与运维中,能效管理是至关重要的一环。随着人工智能技术的进步,特别是机器学习(ML)算法的发展,我们现在有能力更精确地预测数据中心的能源需求,并实时调整资源分配以优化能耗。本文将探讨一种基于机器学习的方法,用于动态调节数据中心的冷却系统和服务器负载,以达到节能降耗的目的。通过分析历史数据和实时反馈,该方法能够显著降低不必要的能源开支,同时确保数据中心的性能不受影响。
|
5月前
|
机器学习/深度学习 资源调度 算法
利用机器学习优化数据中心的能效管理
【5月更文挑战第31天】 在数据中心管理和运营中,能效优化是降低运营成本和减少环境影响的关键。本文提出了一种基于机器学习的方法来动态调整数据中心的资源分配,旨在提高整体能源效率。该方法通过分析历史数据和实时负载信息,预测未来工作负载并相应地调整硬件配置。实验结果表明,与传统的静态管理策略相比,所提出的动态管理策略可以显著降低能耗,同时保持服务质量。
|
5月前
|
机器学习/深度学习 数据采集 算法
利用机器学习优化数据中心能效
【5月更文挑战第31天】 在本文中,我们探讨了如何通过应用机器学习算法来优化数据中心的能源效率。传统的数据中心能效管理多依赖于静态阈值和经验法则,难以适应动态变化的负载需求。相比之下,机器学习提供了一种自适应和预测性的方法,可以实时调整能源消耗,以响应不断变化的工作负载。文中首先分析了数据中心能耗的主要组成部分,然后介绍了一系列机器学习模型,这些模型能够根据历史数据和实时反馈预测最优的能源管理策略。最后,我们通过模拟实验验证了所提出方法的有效性,并讨论了在实际部署中可能遇到的挑战。
|
5月前
|
机器学习/深度学习 数据采集 算法
利用机器学习优化数据中心能效的研究
【5月更文挑战第25天】 在云计算和大数据的背景下,数据中心作为核心基础设施,其能效问题受到了广泛关注。传统的数据中心能效管理多依赖静态阈值和人工调整,难以适应负载动态变化的需求。本文提出了一个基于机器学习的框架来优化数据中心的能效。我们使用历史数据训练模型,以预测不同工作负载下的最优资源配置。实验结果表明,该框架能够有效降低能耗同时保证服务性能,为数据中心能效管理提供了一种智能化的解决方案。
|
5月前
|
机器学习/深度学习 数据采集 算法
利用机器学习优化数据中心的能耗管理
在数据中心管理和运营领域,能耗优化是提高经济效益和环境可持续性的关键。本文提出了一种基于机器学习的方法来优化数据中心的能源消耗,通过实时监控与智能调节系统参数以降低总体能耗。研究采用多种算法对比分析,包括监督式学习、非监督式学习以及强化学习,并在此基础上设计出一套综合策略。该策略不仅提升了能效比(PUE),还保证了系统的高可靠性和性能稳定性。文章的结构首先介绍数据中心能耗管理的重要性,然后详细阐述所提出的机器学习模型及其实现过程,最后通过实验结果验证了方法的有效性。
下一篇
无影云桌面