View a markdown version of this page

生命科學資料收集、儲存和處理 - 生命科學資料收集、儲存和處理
生命科學資料收集、儲存和處理圖表深入閱讀圖表歷史記錄

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

生命科學資料收集、儲存和處理

發佈日期：2022 年 7 月 20 日 (圖表歷史記錄)

此架構圖可協助您了解如何將生命科學資料檔案傳輸至雲端，並使用 Amazon Web Services () 提供資料存取AWS。

生命科學資料收集、儲存和處理圖表

參考架構圖，顯示如何使用 AWS 服務將生命科學資料檔案傳輸至雲端並提供資料存取。

  1. 實驗室技術人員會執行實驗，並將結果寫入現場部署檔案伺服器上的資料夾。 AWS DataSync 任務設定為將資料從本機儲存同步到 Amazon Simple Storage Service (Amazon S3) 中的儲存貯體。

  2. 資料會透過 AWS 雲端 網際網路或透過避免網際網路的低延遲直接連線傳輸到 ，例如 AWS Direct Connect。

  3. 現場部署研究人員透過 Amazon S3 檔案閘道使用網路檔案系統 (NFS) 或伺服器訊息區塊 (SMB)，在現有的生物資訊工具中分析 Amazon S3 中的資料。

  4. 與合約研究組織 (CRO) 等實體合作，可以使用 AWS Transfer Family for FTP、SFTP 或 FTPS 將試驗結果上傳至 Amazon S3。

  5. 您可以將執行資料的工具寫入設定為不常存取的 S3 儲存貯體，以最佳化儲存體。識別您的 S3 儲存體存取模式，以最佳方式設定 S3 儲存貯體生命週期政策，並將資料傳輸至其中 Amazon Glacier。

  6. 使用 Amazon FSx for Lustre，資料可供 雲端上的高效能運算 (HPC) 存取，用於基因體、影像和其他密集工作負載，以提供低毫秒延遲的共用檔案系統。

  7. 使用 AWS Step Functions 和 在雲端上協調研究 HPC 工作負載 AWS Batch，以便在 Amazon Elastic Compute Cloud (Amazon EC2) 執行個體或 Amazon Elastic Container Service (Amazon ECS) 容器上進行靈活的中央處理單元 (CPU) 和圖形處理單元 (GPU) 運算。

  8. 機器學習使用常見的人工智慧和機器學習 (AI/ML) 工具組執行，該工具組使用 Amazon SageMaker AI 進行特徵工程、資料標記、模型訓練、部署和 ML 操作。Amazon Athena 用於具有現有工具的彈性 SQL 查詢。

深入閱讀

如需其他資訊，請參閱

圖表歷史記錄

若要收到此參考架構圖的更新通知，請訂閱 RSS 摘要。

變更描述日期

初次出版

首先發佈參考架構圖。

2022 年 7 月 20 日

注意

若要訂閱 RSS 更新，您必須為正在使用的瀏覽器啟用 RSS 外掛程式。