在计算生物领域，总有人争相开发工具来支持蛋白序列、结构分析和互动数据，但是不幸的是，硬件方面一直被忽视。一些小的集群往往之对大部分基础的处理任务有用。今天使用的一般都是标准的Linux服务器集 群，不过这也导致了一系列不同类型的瓶颈。研究小组发现CPU耗费了大量的资源，比如它们总是占据相当的面积，散热要求、电力以及维护，似乎研究机构很难 去满足这些要求。根据很多评估报告，集群系统比公路上所有的SUV的碳排放的量都要大。显然，如果使得节省成本的需求和节能能源齐头并进的话，需要研究出更好的解决方案。
幸运的是，Bio-IT(生物IT经理)现在有很多旧CPU集群技术可供选择。这些备选方案提供更大的可扩展性、更低的成本和更高的性价比、更好的每瓦特性能。但是没有任何一个单一的解决方案会是最好的答案。
FPGA(现场可编程门阵列)
FPGA在生物领域的应用已经长达十多年，这些都是配置的处理器，可以用来给处理器提供难以置信的速度提升。一些供应商比如CLC bio、Progeniq以及TimeLogic都销售可编程的、各种应用、吞吐量水平以及价格相当的生物信息学FPGA解决方案。
其它厂商也曾有过开发工具的承诺，使得将应用移植到FPGA上更加简单。“Hybrid Computing”就用来形容那些部分在FPGA上进行、部分在CPU上进行的计算，可以通过USB2.0和PCI-E来连接FPGA模块，或者直接通 过处理器插座，最后一种方法能够产生非常高的吞吐量水平，比其它的方法速度提升更高。一些厂商比如Mitrionics、Impulse以及Convey 都生产这平台。The openfpga.org项目以及开放的Mitrion-C Open生物项目都可以提供加速关键的生物应用程序。
个别研究人员可以调整应用程序或者增加模块，这些自动化的方法不会产生很大的加速比，这需要更多研究电子线路的人在生物信息学上花费更多的时间。
使用FPGA可以提升多少性能？Pico计算公司最近将112个FPGA模块连接在了超级计算机上，可能让人印象最深的是这些怪物型的系统可以被安装在一个4U大的服务器机箱里，而且只好费300瓦的功耗。
通用图形处理单元(GPGPU)
图形处理单元是已经进行了高通量图形调整功能强大的处理器，允许CUDA和OpenCL这样的编程语言进行编程。在生物信息学领域，一些对口的工具显示超过三倍于CPU加速。
GPGPU的特点之一是门槛较低，甚至可以在服务器里使用简单的显卡，如果需要更高的性能可以选择Tesla，这是为提高吞吐量计算考虑的设计，有些Tesla服务器都曾有过超过4万亿次计算能力的报告。
不过GPU也有比较明显的缺点，比如ECC记忆的缺乏以及相对贫乏的双精度表现。
Cell处理器
墨丘计算机公司已经建了一系列双Cell处理器、刀片服务器、其它高吞吐量的机器，其适用的Yellow Dog Linux操作系统也被索尼PS3采用。
曾经的世界第一超级计算机IBM“走鹃”就是用了Cell处理器，可以证明这种结构具有提高吞吐量的而价值。
单指令多数据(SIMD)
现代处理器的单指令多数据能力提供了一个内置的CPU加速器。
云计算
很多人之前认为云计算等同于网格技术，到目前为止，似乎还没有哪个公司比亚马逊拥有更多的客户。许多常见的生物数据库已经上传到了亚马逊，更便宜也更简单地使用它们，
到底需要购买多少性能用于实际分析的云？Salzberg研究小组分析了三个小时的数据，包括38倍的人类基因组，以1320个CPU的集群，云服务的租用大概是85美元。
“超级计算机再也不能只注重原始性能，简单的增加更多核的时代已经结束。”IBM深度计算副总裁David Turek表示，客户需要在任何地方使用超级计算机。
当然，适用于生物信息学的超级计算机迟早有一天会变成混合动力的机器，用户随意利用浮点图像处理、FPGA的整合能力等。
作者：
2010-1-26