不复制海量数据，直接查询 S3：CSIRO 重构基因组分析架构

CSIRO 开发了 Serverless Beacon（sBeacon），这是一种用于查询基因组变异数据的无服务器架构，无须将大型基因组数据集复制到中央数据库。该系统使用 Amazon S3、AWS Lambda、Amazon Athena 和 Amazon DynamoDB，实现了全球基因组学与健康联盟（GA4GH）的 Beacon 标准。它可以对大型队列进行基因组查询，同时将底层数据保留在原始存储位置。

该架构将基因组数据与搜索所需的元数据分离。变异调用格式（VCF）文件保留在 Amazon S3 中，疾病状态、年龄和位置等元数据则单独建立索引。接入数据时，sBeacon 会为元数据创建索引和 Athena 表，并通过 CSIRO 的 Ontoserver 处理本体术语，以支持结合基因组和表型信息的查询。

对于变异查询，API Gateway 会将请求路由至 Lambda 函数，由这些函数确定相关数据集和基因组区域。变异查询模块使用 bcftools 及其 htslib 库，通过 HTTP 字节范围请求获取 VCF 文件的特定部分。这样，系统无须传输完整文件，即可读取所需的基因组区域。查询结果经过汇总后，通过 Beacon API 返回。

CSIRO 前生物信息学产品解决方案架构师 Anuradha Wickramarachchi 在个人 LinkedIn 帖子中强调了数据压缩的重要性：

我们认真考虑的一项关键因素，是让数据保持最高程度的压缩。在数据仍处于压缩状态时直接进行查询，可以带来很大优势。

CSIRO 使用千人基因组计划的 1 号染色体数据对 sBeacon 进行了评估，其中包含 2504 个样本，压缩后的 VCF 文件大小为 1.1GB，并存储在 Amazon S3 中。系统用时 18 秒、花费 0.00052 美元完成数据集接入，其间只创建索引文件，并未复制基因组数据。一次覆盖 1 万个碱基对的查询平均耗时 1.52 秒，成本为 0.00013 美元。CSIRO 报告称，当返回的变异数量从 4 个增加到 400 个，即增长 100 倍时，查询时间总体保持稳定。

该设计建立在此前发表于 Nature Biotechnology 的 sBeacon 研究基础上。该研究报告称，sBeacon 最多可以支持 4000 万个个体和 30 亿个基因组位置。最初的 Beacon 研究描述了一种联合式模型，让组织可以在保留基因组数据控制权的同时，对外提供标准化查询接口。GA4GH 协议旨在跨分布式数据源运行，而不规定底层存储技术。2026 年的实现利用云服务扩展了这一模型，在将基因组文件保留在对象存储中的同时，提供弹性查询执行能力。