姚文萱博士
台灣中央研究院生物醫學科學研究所
美國加州大學(柏克萊)生物物理博士
隨著生物醫學愈來愈發達，龐大的資料量也需要透過完整的資訊管理機制，才有利於後續的研究分析與應用。中研院生醫所的生物資訊服務團隊，自2011年便開始提供學術界與產業界一個能夠快速處理NGS (next generation sequencing) 大量序列，並完成變異點偵測與註解的系統，此系統從基因體資料處理、分析到呈現，整體流程從一至兩天縮短到一小時以內。基因線上特別邀請到台灣中研院負責此專案的姚文萱博士，與大家分享NGS資訊分析與管理系統的用途及其重要性。
從NGS資料分析到管理
中研院生醫所生物資訊服務團隊的任務之一，是負責國家基因體醫學研究中心對外的NGS資訊分析服務。近年來國際上推動精準醫學，該領域用到的主要技術就是 NGS，而NGS產出的資料量非常大，超出一般實驗室中個人電腦或工作站的處理能力，且定序完成後的分析、資料管理與儲存都會是很大的挑戰。其中所使用到的主流資訊分析工具，多是由學術界開發，然而學術界通常都是以發表論文為主，並不會特別注重使用上的便利性和優化，以及銜接其他工具的能力好壞，因此入門的門檻較高。此外，NGS產生的大量資料儲存、備份、搬移也衍生出很多維護上的挑戰。
所以，中研院團隊在系統開發的初期，便希望設計與建構一個滿足多數使用者需求的NGS生物資訊分析系統，盡量做到化繁為簡，以容易學習、操作簡單、速度快、維護管理方便、擴充性佳、性能與價格比值高為目標，讓單一實驗室、大型研究單位或企業的研究人員，皆能在不需具備專業資訊背景的條件下，就能直接上手操作並分析與管理資料，降低對資訊人員的依賴。
一套能廣為生物產學界應用的NGS資訊分析與管理系統誕生
目前此新設計建構的軟體名稱暫定為 HiPipe (High Performance Pipelines for NGS Analysis)，是一個圖形化和高效能做NGS 資料分析的雲端平台，此系統有幾項主要特色，第一是「容易學習，迅速上手」，不管DNA或RNA 分析，皆可於十分鐘內就學會。第二是要「方便管理與維護」，大部份的NGS資料經由HiPipe系統處理完後，便可在一般的個人電腦上作業。HiPipe系統就像蘋果電腦一樣有良好的整體性，能整合分析所需的軟、硬體，增加操作的流暢性，縮短資料處理時間，讓使用者能將大部分時間投注在分析結果的研究上。第三是「架構具有彈性」，不同使用者對分析速度的需求有差異，例如醫院希望檢測的時候報告可以盡快得到結果；但是研究單位可能明天再看結果也可以接受，所以系統也需要提供彈性調整效能的能力來配合實際需求。
工具串接的挑戰
開發一個新的NGS分析系統其實會面臨許多挑戰，所以很多公司採用簡單的架構來建立系統，僅能提供基本分析。而唯有大量人力投入設計與優化工作，系統才能有好的效能與便利性，得以輕鬆處理大基因體 (如人類基因體) 產生的資料。為配合各式各樣的需求，要有許多不同專長的人員合作，例如需要有人瞭解各種不同的演算法才能選擇最適用的，還要有人檢查作業系統版本與各分析工具的相容性；而寫程式的人不只要把工具安裝在機器上，還要瞭解不同工具的特性，才能正確透過程式把資料串起來。舉例來說，大家最熟悉的定序分析軟體GATK，前面先要有另一個分析軟體BWA 分析定序原始檔案，後面才接GATK，但是BWA、 GATK 中間還要有一些軟體來做調整。例如在NGS實驗過程中，有時會透過PCR的方式放大定序library，如果PCR Product 裡面有變異(variant)，就會被變相地放大，這時就不是由GATK 處理，應該要交給其他工具進行 Mark Duplicate的處理，並串接在 BWA與 GATK之間。
錯誤檢查、平行加速、呈現與註解
將工具串接完成之後，於開始進行分析時，也需要先檢查輸入系統之定序通用原始檔案 (FASTQ) 內容是否有錯誤，以確保分析會順利進行。因為每個分析步驟牽涉許多軟體與資料，執行過程每個步驟都需要仔細檢查，不然就很容易出錯，這都是處理大量NGS資料會遇到的資訊問題。除此之外，操作介面與管理功能要做完整的規劃，除了基本分析功能外，還有帳戶管理、設定權限等。改善系統效能則必須要平行化，但平行化並不容易，在整個過程中，要查出傳輸過程中的瓶頸，再針對問題去解決，因為有些程式的特性無法平行化，這也需要事先瞭解。然而，平行化也不代表速度就會變很快，還要優化(optimization)。系統優化要掌握記憶體 (memory) 用量、檔案系統 (file system) 特性、輸出/輸入系統 (I/O) 的能力、CPU 利用率，這些因素都互有關聯。最後分析結果還需要整理到可搭配適當工具做後續分析瀏覽，例如搭配IGV (Integrative Genomics Viewer) 來瀏覽分析結果。整理到一定程度後，還要請資料庫人員，將變異點與基因註解加入到資料庫，讓使用者可以做更進一步的篩選。
多樣本、多種分析流程與彈性架構
目前已提供的分析流程包括人類全基因組 (Whole genome) 與外顯子組 (Whole exome) 序列之變異點偵測 (Variant Detection) 、基因表現量差異 (Differential Expression) 分析、基因融合 (Gene Fusion) 偵測、拷貝數變異 (Copy Number Variation ) 、染色質免疫沉澱 (ChIP-seq) 分析及微核醣核酸 (microRNA) 的分析，而甲基化 (methylation) 的分析服務正在研發中。另外第三代定序3rd Generation Sequencing 的Pacific Biosciences 公司的序列拼接 (de novo Assembly) 軟體也有測試。當新的分析有足夠經驗和掌握度的時候，就會放進系統。分析後的結果通常需要加上註解，方便進一步的研究篩選，團隊引用多個公開免費的資料庫，其中包含三個和醫學相關的資料庫。至於商業版的資料庫價格昂貴，以學術單位來講無法負擔，目前尚未納入。當相關技術與資料庫齊備後，如何開發出合適的使用者介面也是一門藝術，當然最重要的還是整合各家所長，顧及到整體，盡可能將所有使用者會用到的需求結合在一起。團隊基於系統具彈性的架構，整合不同規模的使用者需求，亦規劃推出雲端、桌上型、叢集等多種架構的系統。由於這套資訊分析與管理系統主要是中研院自主研發，直接搭配市面上常見的硬體規格進行整合，因此價格相對便宜性價比相對較高。目前HiPipe分為基本版 (HiPipe Basic) 與進階版 (HiPipe Professional) ，基本版僅能做單一樣本的分析但無管理功能，在網路上可免費使用；進階版支援多樣本同時分析並可進行資料管理， 僅需繳交運算與儲存工本費。
以服務為優先的工作團隊
中研院生醫所生物資訊服務團隊提供服務的原則為「應用重於發表」(Application is more important than publication)，定位則是服務重於研究，服務帶動研究，才能更快幫助到需要幫助的人。在經費和人力有限的情況下，以配合市場需求來進行開發，支援全國各方面的定序分析，目前正在規劃與外界合作技轉或成立衍生公司，希望結合台灣的資訊、生物領域學術單位或公司，提供高效能、操作簡易、 價格合理之web介面的生物資訊分析服務給國內研究者及生物科技產業，加強此方面的能力，幫助產業一起打拼，促進發展。
目前團隊約有10 個人，各司其職，各有專精，相關技術都要能夠深入掌握與相互合作。這是個浩大的工程，所有技術都要有整合性，彼此之間要銜接得恰當，因為每件事都息息相關。面對這麼複雜和龐大的工作內容，成員間的合作默契與對工作的熱忱是團隊最重視的，透過專注和安定的心，將團隊力量作最大的發揮！
對Hipipe有興趣的讀者，歡迎造訪：http://hipipe.ncgm.sinica.edu.tw/
