[论文解读] Protein Models Comparator: Scalable Bioinformatics Computing on the Google App Engine Platform

Paweł Widera, Natalio Krasnogor|arXiv (Cornell University)|Feb 21, 2011

Protein Structure and Dynamics参考文献 19被引用 4

一句话总结

本文介绍了 Protein Models Comparator (pm-cmp)，一个基于 Google App Engine 构建的可扩展网络应用，用于使用 RMSD、GDT_TS、TM-score 和 Q-score 对蛋白质结构模型进行高通量比较。该工具通过利用基于云的并行计算和易于访问的 REST 类 API，实现了对数千个模型的自动化、分布式比较，填补了蛋白质结构预测中大规模模型评估的关键空白。

ABSTRACT

The comparison of computer generated protein structural models is an important element of protein structure prediction. It has many uses including model quality evaluation, selection of the final models from a large set of candidates or optimisation of parameters of energy functions used in template-free modelling and refinement. Although many protein comparison methods are available online on numerous web servers, they are not well suited for large scale model comparison: (1) they operate with methods designed to compare actual proteins, not the models of the same protein, (2) majority of them offer only a single pairwise structural comparison and are unable to scale up to a required order of thousands of comparisons. To bridge the gap between the protein and model structure comparison we have developed the Protein Models Comparator (pm-cmp). To be able to deliver the scalability on demand and handle large comparison experiments the pm-cmp was implemented "in the cloud". Protein Models Comparator is a scalable web application for a fast distributed comparison of protein models with RMSD, GDT TS, TM-score and Q-score measures. It runs on the Google App Engine (GAE) cloud platform and is a showcase of how the emerging PaaS (Platform as a Service) technology could be used to simplify the development of scalable bioinformatics services. The functionality of pm-cmp is accessible through API which allows a full automation of the experiment submission and results retrieval. Protein Models Comparator is free software released on the Affero GNU Public Licence and is available with its source code at: http://www.infobiotics.org/pm-cmp This article presents a new web application addressing the need for a large-scale model-specific protein structure comparison and provides an insight into the GAE (Google App Engine) platform and its usefulness in scientific computing.

研究动机与目标

• 解决缺乏可扩展工具用于比较大量蛋白质结构模型的问题，这对于模型质量评估和选择至关重要。
• 克服现有网络服务器仅支持 1:1 或 1:PDB 比较且缺乏大规模实验自动化的问题。
• 通过利用具备自动横向扩展能力的云基础设施，实现在数千个模型上的高效、分布式比较。
• 提供免费、开源的解决方案，公开源代码并提供可访问的 API，以支持生物信息学研究中的可重复性和可扩展性。
• 证明平台即服务（PaaS）模式（如 Google App Engine）在结构生物学科学计算中的可行性。

提出的方法

• 在 Google App Engine (GAE) 上构建原生云网络应用，以处理分布式任务执行和模型比较的动态扩展。
• 使用类似 REST 的 API 实现实验提交和结果检索的完全自动化，支持程序化访问。
• 直接在 GAE 数据存储中存储和处理单个蛋白质结构文件（如 PDB 格式），通过 Uploadify 库逐个上传，实现多文件处理。
• 在模型之间的最大公共残基子集上执行成对比较，以处理不完整或截断的结构，避免完整的结构对齐。
• 在对齐的残基对上应用标准结构相似性度量——RMSD、GDT_TS、TM-score 和 Q-score——以量化模型相似性。
• 采用任务循环和后台处理机制，在 GAE 的执行时间和资源限制内管理大规模计算。

实验结果

研究问题

• RQ1 基于云的 PaaS 平台（如 Google App Engine）是否能够有效支持对数千个蛋白质结构模型的高通量、分布式比较？
• RQ2 在模型共享相同残基序列的前提下，如何实现在无需手动对齐的情况下对蛋白质模型进行自动化、可扩展的比较？
• RQ3 现有基于网络的蛋白质比较工具在多大程度上可以被专门优化用于大规模模型-模型比较的系统所适应或取代？
• RQ4 为克服 GAE 的限制（如无直接文件系统访问、任务执行时间上限）以支持科学计算工作负载，需要哪些架构模式和实现策略？
• RQ5 如何通过提供开源、免费的软件并完全暴露 API，来增强大规模蛋白质结构预测工作流中的可重复性和可扩展性？

主要发现

• Protein Models Comparator (pm-cmp) 在 Google App Engine 平台上成功实现了使用 RMSD、GDT_TS、TM-score 和 Q-score 度量对蛋白质模型进行可扩展、分布式比较。
• 该系统通过利用 GAE 的自动扩展能力（包括数据存储和任务执行），支持对数千个模型的自动化、高通量比较。
• 使用类似 REST 的 API 可实现实验提交和结果检索的完全程序化自动化，提升可重复性，并便于集成到更大工作流中。
• 尽管 GAE 存在限制（如无直接文件系统访问、任务执行时间上限），系统仍通过任务循环和高效数据处理机制有效管理大规模计算。
• 该应用程序为自由软件，采用 Affero GPL 许可证，源代码公开可获取，支持社区审查、修改，并可在其他平台（如 AppScale 或 TyphoonAE）上部署。
• 该平台证明，当仔细应对架构约束时，PaaS 环境可在生物信息学科学计算中成为可行选择。