2. 计算生物学平台硬件基础设施
计算生物学平台的硬件基础设施，本质上是在回答一个问题：当测序仪每天产出数百 GB 到数 TB 的原始数据，而下游又要跑比对、变异检测、组装、分子动力学模拟和深度学习模型训练时，这些数据在什么样的物理载体上流动、在什么样的算力上被处理、以什么样的方式被保存和复用。理解这一层，才能判断一个平台是"能跑通流程"还是"能稳定支撑生产"。本节从异构算力、内存、存储、网络和机房部署五个相互耦合的维度展开。
一、CPU/GPU 异构计算：谁负责什么
计算生物学负载可以粗略分成两类。第一类是分支密集、访存不规则、以字符串和区间操作为主的任务，例如 BWA/Bowtie2 比对、GATK 局部重比对、SAM/BAM 排序与去重、VCF 合并。这类任务依赖大容量缓存、高主频和较强的单核性能，属于 CPU 的主场。第二类是规则的大规模数值计算，例如全基因组关联分析的矩阵运算、单细胞数据的降维聚类、冷冻电镜三维重构、AlphaFold 类模型的推理与训练，它们可以映射为大量同构的浮点运算，适合 GPU 加速。
因此平台通常采用"CPU 节点 + GPU 节点"的异构布局，而不是给每台机器都插满显卡。CPU 节点承担流程调度、数据预处理、I/O 密集环节和短任务；GPU 节点承担可并行化的重计算环节。判断一个步骤是否值得上 GPU，可以看三个信号：单步耗时是否占据流程瓶颈、算法是否可向量化、数据搬运开销是否小于计算收益。若一个任务在 CPU 上只需几分钟，而把数据从存储搬到 GPU 显存再搬回就要几分钟，那么 GPU 化收益为负。
GPU 选型时，显存容量往往比峰值算力更关键。以蛋白质结构预测为例，序列越长，注意力矩阵占用显存越大，显存不足会直接导致任务失败而非变慢。工程上常见的做法是按显存分档：入门档 24 GB 用于中小规模推理与教学，中档 48～80 GB 用于常规训练与中等长度序列，高档 80 GB 以上并支持 NVLink 互连用于大模型训练。同一节点内多卡之间若需要频繁通信，应优先选择支持高速卡间互连的型号，否则多卡并行会被 PCIe 带宽拖累。
二、大内存节点：为"装不下"的算法兜底
有一类计算生物学任务，其瓶颈不是算力而是内存容量。从头组装（de novo assembly）需要把全部 k-mer 计数表驻留内存；泛基因组图构建需要同时保存多个样本的变异图结构；群体遗传学中的全基因组关联分析在样本量上千时，基因型矩阵可达数百 GB。这些任务一旦内存不足，要么直接 OOM 被杀，要么触发 swap 导致性能断崖式下跌。
大内存节点的配置要点有三。第一是容量规划，按"数据规模 × 放大系数"估算，k-mer 计数类任务放大系数常在 10～30 倍之间，例如 100 GB 的 reads 可能需要 1～3 TB 内存。第二是 NUMA 感知，多路 CPU 下内存被划分为多个 NUMA 节点，跨节点访问延迟显著升高，应通过 numactl 绑定或让调度器按 NUMA 拓扑分配。第三是内存带宽，大内存节点通常搭配多通道内存，若只插满容量而通道数不足，带宽会成为新瓶颈。
三、高速存储：分层设计而非单一方案
存储是计算生物学平台最容易被低估的部分。测序数据的特点是"一次写入、多次读取、长期保存"，而分析过程又要求高并发随机读。单一存储方案很难同时满足成本和性能，因此采用分层结构：
- 热层：NVMe SSD 或全闪并行文件系统，承载正在分析的 BAM、中间文件和小规模参考库，要求高 IOPS 和低延迟。
- 温层：大容量 HDD 并行文件系统，保存原始 FASTQ 和已完成项目的成果数据，追求吞吐和容量平衡。
- 冷层：对象存储或磁带库，用于法规要求的长期归档，访问延迟高但单位成本低。
并行文件系统（如 Lustre、GPFS、BeeGFS）的关键指标是聚合带宽和元数据性能。生物信息流程常产生海量小文件，元数据操作可能成为瓶颈，因此需要关注 MDS（元数据服务器）的配置。实践中建议为每个项目设置独立目录配额，避免单个用户写满整个文件系统影响全平台。
四、IB 网络：让多节点像一台机器
当分析任务跨节点并行时，网络就从"配套设施"变成"性能决定因素"。InfiniBand 相比传统以太网的核心优势在于 RDMA（远程直接内存访问）：数据可以从一台机器的内存直接写入另一台机器的内存，绕过操作系统内核和 CPU 拷贝，延迟可低至微秒级。
IB 部署需要关注几个实际参数。链路速率方面，HDR 为 200 Gb/s，EDR 为 100 Gb/s，NDR 为 400 Gb/s，选择应与存储和计算节点的 PCIe 带宽匹配，否则链路再快也受限于主机侧。拓扑方面，中小规模可用胖树（Fat-Tree）结构，大规模需考虑 Dragonfly 等方案以控制跳数。子网管理器（SM）负责路由计算，应配置主备两台以保证高可用。此外，IB 与以太网建议物理分离布线，避免管理流量干扰计算流量。
五、机房部署：把上述硬件真正跑起来
GPU 节点是机房中的"电老虎"和"发热大户"。一台 8 卡 GPU 服务器满载功耗可达 6～10 kW，远超传统机柜 5 kW 的承载能力。部署时需要重新评估：机柜功率密度是否支持、配电是否到位、冷通道封闭是否有效、GPU 区域是否需要液冷或后门换热器。
供电方面，建议采用双路市电加 UPS 的冗余方案，并为 GPU 机柜单独规划配电回路，避免与存储、网络设备混用导致电压波动。散热方面，冷通道封闭配合精确送风是基础，GPU 密集区应提高送风温度精度并部署温度传感器。监控方面，除了常规的 CPU、内存、磁盘指标，还应采集 GPU 温度与功耗、IB 链路误码率、存储带宽利用率，这些指标能提前暴露硬件劣化。
综合来看，这五个维度不是独立选型，而是相互约束的系统工程。GPU 节点的数据供给依赖高速存储和 IB 网络，大内存节点的任务调度依赖合理的队列划分，而所有硬件的稳定运行最终落在机房的供电与散热能力上。平台运维工程师的价值，正是在这些约束之间找到可落地、可扩展、可维护的平衡点。