← 返回博客
2026-10-02 · 技术 · 产品页 →

把一个有标准答案的药物对接实验,搬到两台不同厂商的 GPU 服务器上

Linxira Bio SDK 云端验证报告 · 2026-10-02。环境、机器性能、命令全部 披露;复现脚本随仓库发布。

勘误(2026-10-12):补齐本轮的层次归属——GPU 内核由厂商原生编译器(nvcc/mcc)编译, 我们的 Rust 侧只做编排;对照表见 §五末,逐条见文首更新日志。数据与结论未变。

先说结论

  1. 对接搜索预算有明确的”够用线”:在 Vina 官方教程的经典体系(HIV-1 蛋白酶 + 茚地那韦)上,默认的 exhaustiveness=8 三次里有一次找不到 正确构象(偏差 12 Å);给到 32 以上,三次全部落在正确构象 0.07 Å 以内。快筛用 8,定结论用 32。
  2. 分析链通过了信号注入检验:模拟转录组里藏了 150 个差异基因和 一条定向富集通路,五步分析链把它以 p = 6×10⁻³¹ 挖出来,其余通路 全在背景水平——不漏报、不误报。
  3. 两台机器的输出一个字节都不差:对接、SSR 微卫星挖掘、表达谱 五步链、富集分析——五类输出文件的 SHA256 在两台服务器上完全相同 (前提见 §3.3:对接 JSON 的信封要求两次运行的 --cpu 相同; 姿态文件与 --cpu 无关)。
  4. Rust 实现相对传统 Python 工具稳定快 3.6–4.0 倍(100 万碱基 SSR 挖掘,三个不同 CPU 上复测),输出与参照实现逐字节一致。
  5. 国产卡能跑我们的东西:同一份 C/C++ 内核源码(同一个文件,MUSA 与 CUDA 两侧只差扩展名与宏),摩尔线程 mcc 一次编译通过、结果算对,内存带宽利用率与 国际卡同档。GPU 内核由厂商原生编译器编译,我们的 Rust 侧只做编排(建缓冲区、 发射、取回、校验)。

更新日志

  • 2026-10-02 初版发布。
  • 2026-10-12 勘误:补齐层次归属说明——本轮的 GPU 内核由厂商原生编译器(NVIDIA nvcc / 摩尔线程 mcc)编译,我们的 Rust 侧只做编排(建缓冲区、发射、取回、校验);§五末新增对照表, 摘要第 5 条、§五首段、§六尾句同步限定。数据与结论未变(一份内核源码、两家原生编译器仍是 本文的实测结论;当时两家都还不能用 Rust 写内核)。
  • 维护规则:新增内容落到其逻辑归属章节,并在本日志加一行日期摘要;勘误同样留痕于此。

一、这项测试是谁发起的、为什么

发起方是我们自己——Linxira Bio SDK 项目组。这个 SDK 即将加入 GPU 厂商后端(含摩尔线程 MUSA),上线前需要回答一个问题:我们的工具链 放到不同厂商的硬件上,结果还对吗、还快吗、还能复现吗? 于是租了 两台云服务器做一轮完整验证,本文是这轮验证的记录。

一个原则先说清楚:考题全部用别人已经做好的现成基准,不自制——

  • 对接用 AutoDock Vina 官方教程体系(HIV-1 蛋白酶 + 茚地那韦, PDB 条目 1iep [3]),官方答案随教程发布(最优结合能 -13.234 kcal/mol 及参考构象文件);
  • 内存带宽用 STREAM 惯例 [5];
  • SSR 挖掘用 pytrf(社区参照实现)做正确性对照;
  • 转录组没有现成标准答案,用”信号注入”办法:在模拟数据里藏已知 信号再让工具找回来——这是业界验证分析管线的通行做法。

用现成基准的好处是结果可与社区直接对比,不存在”考题为自己量身定做” 的问题。

二、环境与机器性能

两台云租赁服务器,同日窗口,同一仓库克隆后临场编译(构建 47.3 秒, 59 个 crate):

项服务器 A(NVIDIA)服务器 B(摩尔线程)
GPURTX 4080 SUPER,32GB,驱动 595.71.05(sm_89)MTT S4000,48GB,MUSA 驱动 2.7.0
GPU 编译器nvcc 11.8mcc(MUSA toolkit 3.1.0)
CPUXeon Platinum 8375C @2.9GHz,12 vCPU(62GB 内存)Xeon Gold 6430,15 vCPU(100GB 内存)
系统Ubuntu 22.04,内核 5.15.0-25Ubuntu 22.04,内核 5.15.0-105
内存带宽(实测,STREAM triad)14.9 GB/s13.5 GB/s
数据盘顺序写(2 GiB)505 MB/s677 MB/s
SDKlinxira-bio 1.1.1(Rust)同左
对接工具AutoDock Vina 1.2.5 官方二进制同左

(内存与磁盘实测值受云实例调度影响,代表这两台实例而非厂商规格, 边界说明见第八节。)

三、证明了什么

3.1 对接:算得对,且知道预算要给多少

红停靠检验——把实验解出的复合物拆开,让对接程序从随机位置把配体 “摆”回去,看能否回到晶体结构的位置 [2,4]。12 组(搜索预算 × 随机 种子)在两台机器上各跑一遍,下表为最优构象与官方参考构象的重原子 偏差(埃):

搜索预算种子 42种子 43种子 44
8(默认)0.0580.86112.42(-10.9,正确构象丢了)
160.0580.8610.015
320.0620.0680.015
640.0560.0470.045

两台机器的这张表逐值相同(包括失败的那个种子)。1–2 埃以内算 “回到同一口袋”;12 埃是 Monte Carlo 搜索预算不足时的典型陷阱—— 程序不报错,只安静给出次优解(-10.9 看起来也”不错”)。线程数超过 8 后不再提速(72 秒 → 13 秒后持平),因为 e=8 就是 8 条独立搜索链。

3.2 转录组分析链:信号注入检验通过

模拟表达谱(2000 基因 × 12 样本,6 对照 6 处理,泊松计数)里藏了 150 个差异基因和一条定向富交通路。五步链(质控 → median-ratio 标准化 [6] → PCA → 聚类 → GO 超几何富集 [7])全部通过 Rust CLI 完成:

  • 藏入通路以 p = 6.3×10⁻³¹ 居首(44 基因命中),其余 25 条通路 p > 0.03,无假阳性;
  • PCA 与聚类把样本按处理/对照干净分开。

3.3 复现性:五类输出跨厂商逐字节一致

对接结果 JSON、SSR 挖掘 TSV(100 万碱基)、同种子对接复跑文件、 表达谱五步链 JSON、富集 JSON——五类文件的 SHA256 在两台服务器上 完全相同。换厂商、换 CPU、换核数,结果不变。

但必须把前提写清楚(2026-10-12 更正):这里的”逐字节一致”指的是这两轮的配置—— JSON 信封里唯一的机器相关字段是 result.thread_count,它回显请求的 --cpu(引擎 native_tools.rs 始终透传该参数),因此只有当两次运行的 --cpu 相同时,JSON 才是逐字节相同; 后续第三轮扫描里 NVIDIA 用 --cpu 32、摩尔线程用 --cpu 15,每个 A_*.json 都因此不同, 且仅差这一个字段(把该字段归一化后即逐字节相同)。 与 --cpu 无关的是姿态文件:同种子复跑得到的 *_out*.pdbqt (12,180 字节,SHA256 6d5830…063e2)在两台机器、以及在不同 --cpu 下都逐字节相同; 数值层(亲和力/RMSD 12 行)在两台机器上逐值相同。 另外诚实说明:我们没有证明 libm/ULP 级无关性,只证明了”这两台机器 + 这个官方二进制 (vina_1.2.5_linux_x86_64)+ 这个负载”逐字节相同;第一轮的 Vina 获取过程未留安装日志。

四、我们相对传统工具的速度

SSR(微卫星)挖掘是”同一算法、两种实现”的直接对照:我们的 Rust 实现 vs 社区通行 的 Python 实现 pytrf(同为正确性参照)。100 万 碱基输入,三台不同 CPU 上各测三次取中位:

机器(CPU)Rust 实现pytrf(传统 Python)提速
第 1 轮云租赁实例(16 核 Xeon)0.082 s0.312 s3.8×
15 核 Xeon Gold 6430(服务器 B)0.047 s0.169 s3.6×
12 vCPU Xeon Platinum 8375C(服务器 A)0.073 s0.288 s4.0×

输出文件与参照实现逐字节一致——提速不以改变结果为代价。值得 说明的是对接:我们的定位是编排与复现(调用 Vina 原生引擎 [2,4]), 不在对接算法本身上抢功;这轮验证的是我们的编排层不引入偏差。

五、两块 GPU 上的对照

同一份 C/C++ 内核源码(bench_suite.mu,CUDA 侧只是复制成 .cu),两家原生编译器 各编各的(nvcc / mcc);Rust 侧只负责建缓冲区与发射。四个内核(拷贝、triad、直方图、 相关性)全部通过正确性门(位级或对 f64 参照误差 < 10⁻⁴):

内核RTX 4080 SUPERMTT S4000备注
拷贝 1 GiB630 GB/s474 GB/s单向读写,NVIDIA 快三分之一
triad(两读一写,STREAM 口径)666 GB/s711 GB/s两家基本打平
直方图(原子操作)26.6 GB/s6.5 GB/sMUSA 原子吞吐目前落后约 4 倍
相关性矩阵282 GB/s49 GB/s双方均未做合并访存,绝对值非峰值

结论:两块卡的内存带宽同档(各达标称值九成左右),跑数据搬运 为主的生信内核等价;原子操作差距写 MUSA 内核时应回避(换分桶归并)。

本文口径:哪部分是 Rust、哪部分是 C++(2026-10-12 补记)

本文(以及同一批 GPU 实验)容易被读成”我们用 Rust 写了 GPU 内核”,不是。分工是:

层语言谁完成说明
编排层:读数据、建缓冲区、发射、取回、校验、写报告Rust本 SDK 的引擎与 CLI本文里所有”我们的实现”指的都是这一层
内核层:拷贝、triad、直方图、相关性C/C++(CUDA C++ 与 MUSA C++ 是同一份源码)厂商原生工具链 nvcc / mcc四个内核的计时表来自这一层
CPU 基线层:SSR 挖掘、分子对接、表达谱五步链Rust本 SDK与 GPU 内核无关

为什么内核当时是 C++:截至 2026-10-02,两家都还不能用 Rust 写内核。NVIDIA 的 CUDA Rust(cuda-oxide / cutile-rs)2026-09-08 才公布,且在我们租到的实例上未能进入执行; 摩尔线程的官方 Rust 工件(cudarc-musa,2026-09-23)是 host 层绑定,内核仍需 MUSA C++ 编译。所以”一份 Rust 源码、两家厂商”当时并不成立,成立的是**“一份内核源码、两家原生编译器”**。 各家 Rust 支持的分层矩阵(谁能用 Rust 调 GPU、谁能用 Rust 写内核、什么仍必须 C++)记录在仓库 台账:https://github.com/Linxira-OS/linxira-bio-sdk/blob/main/docs/engine-evals/vendor-rust-status-2026-10-12.md

六、期间发现的两个驱动层事实

中性记录,日志证据在仓库台账里:NVIDIA 的 vGPU 云实例驱动不带 Vulkan 入口(三个独立实例同一报错);摩尔线程的 Vulkan 驱动能加载、 能打开设备,但在初始化一步失败(疑用户态 toolkit 3.1.0 与宿主驱动 2.7.0 配对问题,已整理证据准备反馈厂商)。不影响本文结果——内核走的都是各家原生编译器(C/C++,不是 Rust)。

七、怎么复现

git clone https://github.com/Linxira-OS/linxira-bio-sdk.git
cd linxira-bio-sdk && cargo build --release -p linxira-bio-cli

bash scripts/benchmark/rental/dock-study.sh                          # 对接研究 + RMSD 分析
mcc -O3 scripts/benchmark/rental/bench_suite.mu -o bench_mu -lmusart # GPU 内核(MUSA)
cp scripts/benchmark/rental/bench_suite.mu b.cu && nvcc -O3 -arch=sm_89 b.cu -o bench_cu
bash scripts/benchmark/rental/rna_analysis.sh                        # 信号注入验证
bash scripts/benchmark/rental/system_bench.sh                        # 存储/内存带宽

原始输出(JSON/TSV/日志/哈希)在本地归档 release-artifacts-rental/ (不入库);逐轮实验台账在 docs/engine-evals/。

八、边界

  • 每卡一台云租实例、一个时间窗;云实例的 vCPU/内存带宽/磁盘受宿主 调度影响,实测时延只代表这两台实例,不代表厂商规格。环境表的 CPU/内存以租赁平台控制台规格为准(容器内 nproc 读到的是宿主 CPU 数, 不反映实例配额);软件版本均为实机读数。
  • 磁盘读速为页缓存口径(容器无权清缓存);对接结论只对官方 1iep 体系成立,其他体系需自行验证。
  • e=8 丢解是 Monte Carlo 搜索预算的固有性质,不是缺陷;它的价值是 提醒你给自己定一条预算线。

参考文献

[1] Williams, S., Waterman, A., Patterson, D. Roofline: an insightful visual performance model for multicore architectures. Commun. ACM 52(4), 65–76 (2009). doi:10.1145/1498685.1498715

[2] Trott, O., Olson, A. J. AutoDock Vina: improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. J. Comput. Chem. 31(2), 455–461 (2010). doi:10.1002/jcc.21334

[3] Berman, H. M. et al. The Protein Data Bank. Nucleic Acids Res. 28(1), 235–242 (2000). doi:10.1093/nar/28.1.235

[4] Eberhardt, J., Santos-Martins, D., Tillack, A. F., Forli, S. AutoDock Vina 1.2.0: New docking methods, expanded force field, and Python bindings. Nucleic Acids Res. 49(W1), W3355–W3362 (2021). doi:10.1093/nar/gkab663

[5] McCalpin, J. D. STREAM: Sustainable Memory Bandwidth in High Performance Computers. Technical Report, University of Virginia (1991–2007). https://www.cs.virginia.edu/stream/

[6] Anders, S., Huber, W. Differential expression analysis for sequence count data. Genome Biol. 11, R106 (2010). doi:10.1186/gb-2010-11-10-r106

[7] Ashburner, M. et al. Gene Ontology: tool for the unification of biology. Nat. Genet. 25(1), 25–29 (2000). doi:10.1038/75556

版本与声明

  • 版本:2026-10-02 首发;2026-10-12 勘误:补充分层说明(Rust 编排 / C++ 内核), 数据与结论未变,逐条见文首「更新日志」。
  • 自评:作者自报的验证报告,非第三方独立验证;单实例单窗口, 边界见第八节。第三方复现为后续工作。
  • 许可:代码 AGPL-3.0-or-later;本文 CC-BY-4.0。
  • 作者与溯源:Linxira-OS 项目维护者 · 仓库: https://github.com/Linxira-OS/linxira-bio-sdk

Linxira-OS · AGPL-3.0-or-later(代码)· 本文 CC-BY-4.0 · https://github.com/Linxira-OS/linxira-bio-sdk