Esegui un'analisi genomica in un blocco note JupyterLab su Dataproc

Questo tutorial mostra come eseguire un'analisi genomica a singola cellula utilizzando Dask, NVIDIA RAPIDS e GPU, che puoi configurare su Dataproc. Puoi configurare Dataproc per eseguire Dask con il relativo programmatore autonomo o con YARN per la gestione delle risorse.

Questo tutorial configura Dataproc con un'istanza JupyterLab ospitata per eseguire un blocco note con un'analisi genomica a singola cellula. L'utilizzo di un notebook Jupyter su Dataproc ti consente di combinare le funzionalità interattive di Jupyter con la scalabilità del carico di lavoro abilitata da Dataproc. Con Dataproc, puoi eseguire lo scaling out dei tuoi carichi di lavoro da una a più macchine, che puoi configurare con tutte le GPU di cui hai bisogno.

Questo tutorial è rivolto a data scientist e ricercatori. Si presume che tu abbia esperienza con Python e che tu abbia una conoscenza di base di quanto segue:

Obiettivi

  • Crea un'istanza Dataproc configurata con GPU, JupyterLab e componenti open source.
  • Esegui un blocco note su Dataproc.

Costi

In questo documento utilizzi i seguenti componenti fatturabili di Google Cloud:

  • Dataproc
  • Cloud Storage
  • GPUs

    • Per generare una stima dei costi basata sull'utilizzo previsto, utilizza il Calcolatore prezzi. I nuovi utenti di Google Cloud potrebbero essere idonei per una prova gratuita.

    Al termine delle attività descritte in questo documento, puoi evitare la fatturazione continua eliminando le risorse che hai creato. Per ulteriori informazioni, consulta la sezione Pulizia.

    Prima di iniziare

    1. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

      Go to project selector

    2. Make sure that billing is enabled for your Google Cloud project.

    3. Enable the Dataproc API.

      Enable the API

    prepara l'ambiente

    1. Seleziona una posizione per le risorse. 

      REGION=REGION

    2. Creare un bucket Cloud Storage. 

      gcloud storage buckets create gs://BUCKET --location=REGION

    3. Copia le seguenti azioni di inizializzazione nel tuo bucket. 

      SCRIPT_BUCKET=gs://goog-dataproc-initialization-actions-REGION
gcloud storage cp ${SCRIPT_BUCKET}/gpu/install_gpu_driver.sh BUCKET/gpu/install_gpu_driver.sh
gcloud storage cp ${SCRIPT_BUCKET}/dask/dask.sh BUCKET/dask/dask.sh
gcloud storage cp ${SCRIPT_BUCKET}/rapids/rapids.sh BUCKET/rapids/rapids.sh
gcloud storage cp ${SCRIPT_BUCKET}/python/pip-install.sh BUCKET/python/pip-install.sh

    Crea un cluster Dataproc con JupyterLab e componenti open source

    1. Crea un cluster Dataproc.
    gcloud dataproc clusters create CLUSTER_NAME \
    --region REGION \
    --image-version 2.0-ubuntu18 \
    --master-machine-type n1-standard-32 \
    --master-accelerator type=nvidia-tesla-t4,count=4 \
    --initialization-actions
BUCKET/gpu/install_gpu_driver.sh,BUCKET/dask/dask.sh,BUCKET/rapids/rapids.sh,BUCKET/python/pip-install.sh
\
    --initialization-action-timeout=60m \
    --metadata
gpu-driver-provider=NVIDIA,dask-runtime=yarn,rapids-runtime=DASK,rapids-version=21.06,PIP_PACKAGES="scanpy==1.8.1,wget" \
    --optional-components JUPYTER \
    --enable-component-gateway \
    --single-node

    Il cluster ha le seguenti proprietà:

    • --region: la regione in cui si trova il cluster.
    • --image-version: 2.0-ubuntu18, la versione dell'immagine del cluster
    • --master-machine-type: n1-standard-32, il tipo di macchina principale.
    • --master-accelerator: il tipo e il numero di GPU sul nodo principale, quattro GPU nvidia-tesla-t4.
    • --initialization-actions: i percorsi di Cloud Storage agli script di installazione che installano i driver GPU, Dask, RAPIDS e dipendenze aggiuntive.
    • --initialization-action-timeout: il timeout per le azioni di inizializzazione.
    • --metadata: viene passato alle azioni di inizializzazione per configurare il cluster con i driver GPU NVIDIA, lo scheduler autonomo per Dask e la versione RAPIDS 21.06.
    • --optional-components: configura il cluster con il componente facoltativo Jupyter.
    • --enable-component-gateway: consente l'accesso alle UI web sul cluster.
    • --single-node: configura il cluster come un singolo nodo (senza worker).

    Accedere al notebook Jupyter

    1. Apri la pagina Cluster nella console Google Cloud Dataproc.
      Apri la pagina Cluster
    2. Fai clic sul cluster e poi sulla scheda Interfacce web.
    3. Fai clic su JupyterLab.
    4. Apri un nuovo terminale in JupyterLab.

    5. Clona il clara-parabricks/rapids-single-cell-examples repository e controlla il ramo dataproc/multi-gpu. 

      git clone https://github.com/clara-parabricks/rapids-single-cell-examples.git
git checkout dataproc/multi-gpu

    6. In JupyterLab, vai al repository rapids-single-cell-examples/notebooks e apri il 1M_brain_gpu_analysis_uvm.ipynb Jupyter Notebook.

    7. Per cancellare tutti gli output nel notebook, seleziona Modifica > Cancella tutti gli output.

    8. Leggi le istruzioni nelle celle del notebook. Il notebook utilizza Dask e RAPIDS su Dataproc per guidarti attraverso un flusso di lavoro RNA-seq a singola cellula su 1 milione di cellule, inclusa l'elaborazione e la visualizzazione dei dati. Per saperne di più, consulta Accelerating Single Cell Genomic Analysis using RAPIDS.

    Esegui la pulizia

    Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.

    Elimina il progetto

    1. In the Google Cloud console, go to the Manage resources page.

      Go to Manage resources

    2. In the project list, select the project that you want to delete, and then click Delete.
    3. In the dialog, type the project ID, and then click Shut down to delete the project.

    Elimina singole risorse

    1. Elimina il cluster Dataproc. 
      gcloud dataproc clusters delete cluster-name \
    --region=region
    2. Elimina il bucket: 
      gcloud storage buckets delete BUCKET_NAME

    Passaggi successivi