安装omicverse docker版

Omicverse简介

与R相比，python在处理大型数据时具有快速高效，内存占用优秀，可以便捷调用GPU加速等特点。Omicverse构建了一套基于python的高通量测序数据的分析框架，其中囊括了bulk rna seq，single cell等分析要用的大部分主流软件。以下是作者的自述：

omicverse是在我大三保研做Bulk RNA-seq时提出的，当时为了自己的方便，就把差异表达分析（DEG），加权基因共表达分析（WGCNA），通路富集分析（GSEA）等整合进了一个叫Pyomic的包中方便自己调用，当时的野心很大，想把整个组学分析都用Python来完成 （笑） 。

现在博士一年级，也做了快两年的单细胞分析，中途用了很多包，但不同的包之间，对于格式的需求往往是不一样的，而且有的包本身并没有好好利用GPU的计算优势，并且大部分的包所作的图与CNS上的图差别还是比较大的。所以我就把当时的Pyomic给捡了起来，把我做分析用到的所有包都塞进了omicverse里面，统一了它们的输入输出，并对部分可以优化的算法进行了优化，以及给出了一些新的可视化函数来帮助研究人员呈现结果。可能你会想，这不就是一个整合的包吗？但其实不是。

我通过大量的基准测试，以及相关的paper，整理出了一套最适的Python单细胞分析流程，Bulk RNA-seq分析流程与可视化。

我提出了一种新的生物学算法 “BulkTrajBlend”，解决了单细胞测序中由于通量限制导致的细胞不连续现象。

‍

记录安装失败的过程

使用conda或者pip安装omicverse尝试了好久依然无法解决依赖问题，非常难装，没错即使是conda也不行，后来看到官方有提供docker部署的方式，做了以下尝试：

由于我想安装gpu版本，我的cuda是12.1，所以选择以下命令安装：

#create a folder to connect the docker and host
mkdir '/path/analysis'
#path is the folder where you store your data locally
local_data_path='/path/analysis'
#cuda121
docker run -it -v "$local_data_path":/analysis -p 8899:8899 --gpus all starlitnightly/omicverse:py310_cu121_latest

但是我发现docker内无法调用gpu导致无法启动：

从头再来

查询后得知原来是需要先安装nividia container toolkit，按照英伟达教程安装：

安装NVIDIA Container Toolkit

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
  && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
    sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
    sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit

配置NVIDIA Container Toolkit

在此之前需要确定已经安装好了docker并能正常运行，NVIDIA Container Toolkit也通过上述代码安装完成没有报错。下面配置：

sudo nvidia-ctk runtime configure --runtime=docker

重启docker：

sudo systemctl restart docker

运行omicverse docker

docker run -it -v /mnt/data:/analysis -p 8899:8899 --gpus all starlitnightly/omicverse:py310_cu121_latest

上面/mnt/data是我的分析目录，请自行替换。

然后会自动安装需要的包，这个应该是在docker容器内安装的：

当终端出现以下输出，即表明安装完成，jupyter lab已经启动：

检查

安装完成之后通过ip:端口的方式访问即可进入jupyter lab页面，尝试一下import，没有报错表明成功

‍

但是我们可以看到官方docker内有没有设置好默认目录，官方的命令是把我们的自定义目录映射到了容器内的/analysis，但是我发现这个jupyter lab的默认工作目录似乎是在/app目录，那么我们需要修改一下命令：

首先在终端里ctrl+C将目前的jupyter关闭，然后使用以下命令重新启动。

docker run -it --gpus all -v /mnt/data:/app -p 8899:8899 starlitnightly/omicverse:py310_cu121_latest

此时再看jupyter lab页面，已经出现了我自己的文件了，以后只需要使用上面命令启动即可

注意事项

如果你不需要调用gpu加速，直接使用cpu版本的docker即可，大概率不需要这么复杂。
在拉取镜像之前请自行安装好docker，如果没有科学上网还需要配置一个可用的源（加速url），才能正常拉取镜像，下次有时间再详细写一下docker怎么用。
启动容器命令的文件夹映射和端口映射是可以根据自己需要调整的，不一定跟官方一致。比如你启动jupyter用的是默认的8888端口，那么端口映射可以写8888:8888，如果系统有防火墙记得开放端口才能访问。
最后解决映射目录的问题，实际上进入容器内修改jupyter工作目录也是可以实现的，但是最简单的方法应该还是直接改一下命令。
docker run之后终端不能关闭，如果需要后台运行，可以使用nohup命令

参考

Omicverse概述
Dockerhub-omicverse
NVIDIA Container Toolkit安装教程
omicverse使用教程
AI大语言模型对话解决一些问题

‍

本文介绍了如何在Linux系统上安装Omicverse的Docker版本。Omicverse是一个基于Python的高通量测序数据分析框架，具有统一输入输出和改进的可视化功能。作者首先尝试通过conda和pip方式安装，但遇到依赖问题难以解决，最终选择使用Docker安装。为此，需要先安装NVIDIA Container Toolkit以支持GPU。文中详细讲解了安装步骤，包括添加NVIDIA软件源、安装容器工具包、配置容器运行时并重启Docker服务。成功部署后，通过Docker命令启动Omicverse，并映射本地数据目录，以便在Jupyter Lab中进行生物信息学分析。

文章版权归作者所有，转载请注明来源。

THE END