基因测序是高性能计算的重要应用领域之一，在基因组学研究中，高通量测序是最重要的数据来源。然而，高通量测序技术的飞速发展，在给基因组学研究带来极大便利的同时，也带来了“幸福的烦恼”：单次测序数据量的大幅度提升，使得基因组学研究从原来的“测的没有算的快”，变为如今的“算的没有测的快”。
特别在近年来，无创产前基因检测(NIPT)以高的准确度和安全性获得了越来越多准爸准妈的青睐，通过基因测序更多的应用在临床医学诊断上，这项技术开始受到越来越多的人关注，倍增的基因测序需求也对计算效率提出了更高要求。因此，必须提升高性能计算应用效率，才能应对庞大的测序需求。
复杂又昂贵的生命天书
基因组的数量非常大，一个小小真菌，如酵母的基因组总量就有10Mb，而一个人的全基因组则是3Gb(3000Mb)，也就是30亿个碱基，如果将全部测序数据打成文字排成书，这本书的厚度将超过100米。此外，由于受到技术和方法学的限制，每个人至少要测100Gb也就是基因组的30倍以上，才能得到相对准确的全基因组数据。
在过去，测序的成本也是非常高的。在90年代初期“人类基因组”计划正式启动后，历经了16年，花费约30亿美金才完成了一个白种人的全基因组图谱绘制，而现在需要3天的时间完成一个人的全基因组测序，大概需要1000美金左右。随着时间的缩短，价格的降低，基因测序技术变得更加的有‘亲和力’。尤其在2013年后，好莱坞女星安吉丽娜·朱莉通过基因检测得知她患乳腺癌以及卵巢癌的风险分别为87%和50%，因此毅然地选择切除了乳腺和卵巢。
“旧时王谢堂前燕，飞入寻常百姓家”，基因测序从原来的象牙塔里的技术，进入更多普通人的生活。
复杂的基因分析流程
那么，基因测序为何会面临“算的没有测得快”？首先让我们先了解下基因分析的流程。
通过基因测序获得只是ATCG四种不同碱基的组合，还不是直观的结果;要将测序结果进行解读，还需要在高性能计算机上进行大量的演算和分析。
在高性能计算机中计算时需要多个软件协同工作，一步一步完成数据的分析，最终才能呈现出可读的结果。通常要得到最终的结果，要经过样本的采集，提取组织DNA，进入测序仪测序，随后进入计算机对测序数据进行标准化的计算，最终进行数据的分析，核验。
图：基因检测的流程
图：测序数据分析流程(以全基因组分析为例)
实例讲解：如何提升基因计算应用效率
然而计算分析的过程是非常复杂并且相当耗时的，涉及到多款软件，每一个软件的算法不同，所需要的计算资源不同，如何才能理解软件所需要的资源，合理配置计算环境呢？
采用浪潮“天眼”(TEYE)高性能应用特征分析系统(下面简称浪潮天眼)，我们可以获得软件的运行特征，以便可指导资源的配置。下面我们以基因计算中使用率较高的软件BWA为例来看在计算过程中的资源使用情况。
我们采用的算例规模是：134809168条reads，reads长100bp;
该测试集群采用了浪潮NF5440M4刀片节点，单节点处理性能1万亿次，支持AVX2.0指令集，单节点内存容量128GB DDR4，且充分发挥了“四通道内存”及“DDR4频率优势”。
表：测试集群配置
图：浪潮天眼监测BWA在CPU资源使用方面
从上图可以看出，BWA运行中单节点运行CPU利用率的周期性变化，本算例中每10s会出现一次CPU利用率的峰值，当CPU利用率处于峰值时，IDLE增加;