翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# AWS HealthOmics バリアントストアと注釈ストアの可用性の変更
慎重に検討した結果、2025 年 11 月 7 日以降、新しいお客様に AWS HealthOmics バリアントストアと注釈ストアを閉鎖することを決定しました。既存のお客様は、通常どおりサービスを引き続き使用できます。
次のセクションでは、バリアントストアと分析ストアを新しいソリューションに移行するための移行オプションについて説明します。ご質問やご不明点がございましたら、[support.console.aws.amazon.com でサポートケースを作成してください。](https://support.console.aws.amazon.com)
**Topics**
+ [移行オプションの概要](#migrate-variant-store)
+ [ETL ロジックの移行オプション](#migrate-variant-store-etl-logic)
+ [ストレージの移行オプション](#migrate-variant-store-storage)
+ [分析](#migrate-variant-store-analytics)
+ [AWS パートナー](#migrate-variant-store-partners)
+ [例](#migrate-variant-store-examples)
## 移行オプションの概要
次の移行オプションは、バリアントストアと注釈ストアを使用する代わりに使用できます。
1. GitHub で ETL ロジックの HealthOmics 提供のリファレンス実装を使用します。 [https://github.com/aws-samples/aws-healthomics-tutorials/tree/main/glue-variant-etl](https://github.com/aws-samples/aws-healthomics-tutorials/tree/main/glue-variant-etl)
ストレージに S3 テーブルバケットを使用し、既存の AWS 分析サービスを引き続き使用します。
1. 既存の AWS サービスを組み合わせてソリューションを作成します。
ETL では、カスタム Glue ETL ジョブを記述したり、EMR でオープンソースの HAIL または GLOW コードを使用してバリアントデータを変換したりできます。
ストレージに S3 テーブルバケットを使用し、既存の AWS 分析サービスを引き続き使用する
1. バリアントと注釈ストアの代替を提供する[AWS パートナー](https://aws.amazon.com/partners/work-with-partners/)を選択します。
## ETL ロジックの移行オプション
ETL ロジックでは、次の移行オプションを検討してください。
1. HealthOmics は、バリアントストア ETL パイプラインのソースコードを GitHub のリファレンス実装として提供します。このパイプラインを使用して、バリアントストアと同じバリアントデータ ETL プロセスを強化できますが、ETL ロジックを完全に制御できます。詳細については、GitHub の[「Glue Variant ETL](https://github.com/aws-samples/aws-healthomics-tutorials/tree/main/glue-variant-etl)」を参照してください。
1. バリアントデータを変換するには、カスタム Glue ETL ジョブを記述するか、EMR でオープンソースの HAIL または GLOW コードを使用できます。
## ストレージの移行オプション
サービスホスト型データストアの代わりに、Amazon S3 テーブルバケットを使用してカスタムテーブルスキーマを定義できます。テーブルバケットの詳細については、*Amazon S3ユーザーガイド*」の[「テーブルバケット](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-tables-buckets.html)」を参照してください。
Amazon S3 のフルマネージド Iceberg テーブルには、テーブルバケットを使用できます。
サポート[ケース](http://support.console.aws.amazon.com.)を発行して、HealthOmics チームにバリアントまたは注釈ストアから設定した Amazon S3 テーブルバケットにデータを移行するようにリクエストできます。
Amazon S3 テーブルバケットにデータが入力されたら、バリアントストアと注釈ストアを削除できます。詳細については、[HealthOmics 分析ストアの削除」を参照してください。](https://docs.aws.amazon.com/omics/latest/dev/deleting-a-store-examples.html)
## 分析
データ分析では、Amazon [Amazon Athena](https://docs.aws.amazon.com/athena) [EMR、Amazon](https://docs.aws.amazon.com/emr) [Redshift](https://docs.aws.amazon.com/redshift)、[Amazon Quick](https://docs.aws.amazon.com/quicksight) などの AWS 分析サービスを引き続き使用します。
## AWS パートナー
カスタマイズ可能な ETL、テーブルスキーマ、組み込みクエリおよび分析ツール、データを操作するためのユーザーインターフェイスを提供する [AWS パートナー](https://aws.amazon.com/partners/work-with-partners/)と連携できます。
## 例
次の例は、VPC および GVCF データの保存に適したテーブルを作成する方法を示しています。
### Athena DDL
Athena で次の DDL の例を使用して、VPC と GVCF データを 1 つのテーブルに保存するための適切なテーブルを作成できます。この例はバリアントストア構造とまったく同じではありませんが、一般的なユースケースに適しています。
テーブルを作成するときに、DATABASE\$1NAME と TABLE\$1NAME の独自の値を作成します。
```
CREATE TABLE . (
sample_name string,
variant_name string COMMENT 'The ID field in VCF files, '.' indicates no name',
chrom string,
pos bigint,
ref string,
alt array ,
qual double,
filter string,
genotype string,
info map ,
attributes map ,
is_reference_block boolean COMMENT 'Used in GVCF for non-variant sites')
PARTITIONED BY (bucket(128, sample_name), chrom)
LOCATION '{URL}/'
TBLPROPERTIES (
'table_type'='iceberg',
'write_compression'='zstd'
);
```
### Python を使用してテーブルを作成する (Athena なし)
次の Python コード例は、Athena を使用せずにテーブルを作成する方法を示しています。
```
import boto3
from pyiceberg.catalog import Catalog, load_catalog
from pyiceberg.schema import Schema
from pyiceberg.table import Table
from pyiceberg.table.sorting import SortOrder, SortField, SortDirection, NullOrder
from pyiceberg.partitioning import PartitionSpec, PartitionField
from pyiceberg.transforms import IdentityTransform, BucketTransform
from pyiceberg.types import (
NestedField,
StringType,
LongType,
DoubleType,
MapType,
BooleanType,
ListType
)
def load_s3_tables_catalog(bucket_arn: str) -> Catalog:
session = boto3.session.Session()
region = session.region_name or 'us-east-1'
catalog_config = {
"type": "rest",
"warehouse": bucket_arn,
"uri": f"https://s3tables.{region}.amazonaws.com/iceberg",
"rest.sigv4-enabled": "true",
"rest.signing-name": "s3tables",
"rest.signing-region": region
}
return load_catalog("s3tables", **catalog_config)
def create_namespace(catalog: Catalog, namespace: str) -> None:
try:
catalog.create_namespace(namespace)
print(f"Created namespace: {namespace}")
except Exception as e:
if "already exists" in str(e):
print(f"Namespace {namespace} already exists.")
else:
raise e
def create_table(catalog: Catalog, namespace: str, table_name: str, schema: Schema,
partition_spec: PartitionSpec = None, sort_order: SortOrder = None) -> Table:
if catalog.table_exists(f"{namespace}.{table_name}"):
print(f"Table {namespace}.{table_name} already exists.")
return catalog.load_table(f"{namespace}.{table_name}")
create_table_args = {
"identifier": f"{namespace}.{table_name}",
"schema": schema,
"properties": {"format-version": "2"}
}
if partition_spec is not None:
create_table_args["partition_spec"] = partition_spec
if sort_order is not None:
create_table_args["sort_order"] = sort_order
table = catalog.create_table(**create_table_args)
print(f"Created table: {namespace}.{table_name}")
return table
def main(bucket_arn: str, namespace: str, table_name: str):
# Schema definition
genomic_variants_schema = Schema(
NestedField(1, "sample_name", StringType(), required=True),
NestedField(2, "variant_name", StringType(), required=True),
NestedField(3, "chrom", StringType(), required=True),
NestedField(4, "pos", LongType(), required=True),
NestedField(5, "ref", StringType(), required=True),
NestedField(6, "alt", ListType(element_id=1000, element_type=StringType(), element_required=True), required=True),
NestedField(7, "qual", DoubleType()),
NestedField(8, "filter", StringType()),
NestedField(9, "genotype", StringType()),
NestedField(10, "info", MapType(key_type=StringType(), key_id=1001, value_type=StringType(), value_id=1002)),
NestedField(11, "attributes", MapType(key_type=StringType(), key_id=2001, value_type=StringType(), value_id=2002)),
NestedField(12, "is_reference_block", BooleanType()),
identifier_field_ids=[1, 2, 3, 4]
)
# Partition and sort specifications
partition_spec = PartitionSpec(
PartitionField(source_id=1, field_id=1001, transform=BucketTransform(128), name="sample_bucket"),
PartitionField(source_id=3, field_id=1002, transform=IdentityTransform(), name="chrom")
)
sort_order = SortOrder(
SortField(source_id=3, transform=IdentityTransform(), direction=SortDirection.ASC, null_order=NullOrder.NULLS_LAST),
SortField(source_id=4, transform=IdentityTransform(), direction=SortDirection.ASC, null_order=NullOrder.NULLS_LAST)
)
# Connect to catalog and create table
catalog = load_s3_tables_catalog(bucket_arn)
create_namespace(catalog, namespace)
table = create_table(catalog, namespace, table_name, genomic_variants_schema, partition_spec, sort_order)
return table
if __name__ == "__main__":
bucket_arn = 'arn:aws:s3tables:::bucket/