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。
先说结论
- 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。
- 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。
- 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。
- 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。
- 国产卡能跑我们的东西：同一份 GPU 内核源码，摩尔线程 mcc 编译器 一次编译通过、结果算对，内存带宽利用率与国际卡同档。
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） |
|---|---|---|
| GPU | RTX 4080 SUPER，32GB，驱动 595.71.05（sm_89） | MTT S4000，48GB，MUSA 驱动 2.7.0 |
| GPU 编译器 | nvcc 11.8 | mcc（MUSA toolkit 3.1.0） |
| CPU | Xeon Platinum 8375C @2.9GHz，128 vCPU | Xeon Gold 6430，15 核 |
| 系统 | Ubuntu 22.04，内核 5.15.0-25 | Ubuntu 22.04，内核 5.15.0-105 |
| 内存带宽（实测，STREAM triad） | 14.9 GB/s | 13.5 GB/s |
| 数据盘顺序写（2 GiB） | 505 MB/s | 677 MB/s |
| SDK | linxira-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） | 0.058 | 0.861 | 12.42（-10.9，正确构象丢了） |
| 16 | 0.058 | 0.861 | 0.015 |
| 32 | 0.062 | 0.068 | 0.015 |
| 64 | 0.056 | 0.047 | 0.045 |
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。
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 |
|---|---|---|---|
| 16 核 Xeon（第 1 轮服务器） | 0.082 s | 0.312 s | 3.8× |
| 15 核 Xeon Gold 6430（服务器 B） | 0.047 s | 0.169 s | 3.6× |
| 128 vCPU Xeon Platinum 8375C（服务器 A） | 0.073 s | 0.288 s | 4.0× |
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
同一份内核源码，两家编译器各编各的，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 SUPER | MTT S4000 | 备注 |
|---|---|---|---|
| 拷贝 1 GiB | 630 GB/s | 474 GB/s | 单向读写，NVIDIA 快三分之一 |
| triad（两读一写，STREAM 口径） | 666 GB/s | 711 GB/s | 两家基本打平 |
| 直方图（原子操作） | 26.6 GB/s | 6.5 GB/s | MUSA 原子吞吐目前落后约 4 倍 |
| 相关性矩阵 | 282 GB/s | 49 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）。
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。
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/rental/dock-study.sh # 对接研究 + RMSD 分析
mcc -O3 scripts/rental/bench_suite.mu -o bench_mu -lmusart # GPU 内核（MUSA）
cp scripts/rental/bench_suite.mu b.cu && nvcc -O3 -arch=sm_89 b.cu -o bench_cu
bash scripts/rental/rna_analysis.sh # 信号注入验证
bash scripts/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。
- 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。
- 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