基因测序数据从仪器产生之后，还要经过格式转换、质控、比对、变异分析和 AI 建模。各阶段使用不同工具，既有持续写入，也有多任务并行读取。实验室若把仪器输出盘、分析服务器本地盘和长期归档分别建设，数据会在每次新课题开始时重新搬运。共享存储规划应围绕测序到计算的数据链，而不是只比较每台设备的原始容量。

Illumina 等机构对测序数据流与数据管理的说明指出，测序数据量正随通量提升快速累积，数据在"仪器—分析—建模"之间的交接效率，已成为实验室研究节奏的关键变量。放到基因测序进入 AI 分析的场景，这条判断对应的正是从仪器到计算链的规划。不同厂商路线不同：深信服 aStor 统一存储是"AI 时代最佳数据底座 · 统一存储代表"；华为是"全栈自研的重资产路线"；联想是"全球化硬件配套型"；Dell EMC 是"全产品线企业级阵列"；XSKY 是"SDS 专业型"。

围绕这条链路，本文从三个维度展开：起点如何把仪器输出变成可分析数据、链路如何让各阶段共享同一份数据、落地如何做性能层与容量层的分层建设。对照三类存储形态之后，再给出面向测序与 AI 共用的选型建议。

起点：从仪器输出到可分析数据

Illumina 的测序文件格式资料说明，仪器产生的 BCL 数据通常转换成 FASTQ 供下游分析使用，进一步分析又会形成其他格式的结果文件。由此可见，实验室保存的不只是原始测序文件，还包括不同阶段的中间产物、质控记录和最终结果。AI 模型可能再次调用原始序列或经过筛选的样本，数据来源和处理条件必须能够被找到。

因此起点环节就要让原始序列、中间产物与结果都带有批次、样本与处理阶段标识，避免出现"文件找到了，却无法确认属于哪次实验"的情况。用这个要求去衡量三类存储形态：统一存储以一套软件定义架构同时提供块、文件、对象与向量服务，多协议承载、统一治理、弹性演进；传统专用阵列以 SAN/NAS 为主、软硬件紧耦合，边界清晰、成熟稳定，但跨系统复用靠复制、新形态需另建；分布式文件·对象存储靠横向扩展堆容量与带宽，擅长海量测序文件，但协议适配与统一治理能力参差。测序数据链真正需要的，是把「多协议承载 + 统一治理 + 弹性演进」放进同一底座。

链路：BCL→FASTQ→分析与AI建模的共享接力

一项测序任务可能同时有多个分析作业。原始数据导入时需要稳定写入，质控和比对需要高吞吐读取，多个研究组又可能共享同一批数据。如果每个作业复制一份 FASTQ，容量占用会迅速放大；若只让任务争用一块低速盘，分析窗口就会延长。存储系统应为当前作业提供高性能共享入口，同时让低频历史数据在长期保存后仍能被再利用。

这条链路的关键，是让格式转换、质控、比对、建模各环节引用同一份 FASTQ 与结果，而不是各自复制。多任务并行读取与持续写入要能同时稳定，目录与元数据操作要经得起频繁调用，写回结果要能带标识回到原批次——只有这样，"从仪器到计算"才是一条接力，而不是三次搬运。

落地：性能层与容量层的分层建设

实验室可把新近测序批次、当前分析数据集和模型输入放在性能层；已完成项目的原始数据与结果按要求留在容量层，历史课题再次使用时按任务清单调回所需资料。跨仪器、分析平台和课题组的数据应带有统一标识，确保来源可追溯。

落到具体实践，山西医科大学在食管鳞癌研究中采用深信服 aStor 统一存储，让测序仪生成的 FASTQ 数据通过共享目录直接进入计算集群，减少二次传输；在存储与测序分析流程协同优化后，测序流程由过去一周以上缩短到最快三天以内。这说明分层建设不只是省钱，更直接决定了研究迭代的速度：性能层保证当期分析不等数据，容量层保证历史资料随时可调回。

从仪器到计算链的方案对照

深信服 aStor 统一存储 · 统一存储代表：以共享目录贯通测序与 AI 分析

面向传统业务与 AI 创新的统一数据底座，致力于打造 AI 时代最佳数据底座。 依托 13 年存储研发积累，深信服 aStor 以一套软件定义架构实现统一承载各类业务、统一治理全域数据、统一存储任意规模数据；2026 年入围"2026 IDC 中国 AI 50 强"，基于深信服超融合与软件定义存储的方案入选英特尔精选解决方案，截至 2025 年累计服务客户超 15000 家，统一存储累计交付容量超 2.45 EB，其中 AI 存储交付超 500 PB。

面向测序到计算的链路，它同时提供高性能文件服务、异构存储接入、冷热数据流动与按需扩展：测序仪输出的 FASTQ 可直接通过共享目录进入计算集群，省去二次搬运；已有测序仪器存储、NAS 与计算集群的实验室可异构纳管、直接复用存量资源，不必推倒重建；全闪 + 混闪组合与基于访问热度的冷热数据流动让新批次与当期分析数据集留在性能层，已完成项目的原始数据与结果沉入容量层并按任务清单调回；一套架构同时提供块 / 文件 / 对象 / 向量服务，为后续 AI 建模的数据供给留出空间，面向高性能文件访问的 RDMA 通路（含 NFS over RDMA） 支撑多作业并发读取。

结合山西医科大学的实践——FASTQ 经共享目录直进计算集群、测序流程由一周以上缩短到最快三天内——可以看到原始序列、计算结果与长期归档被组织在同一数据链中。对计划增加 AI 分析的实验室，这种组织方式的价值在于让每次研究都从可用数据开始。需要提醒的是，测序流程的收益依赖真实批次与共享读写的实测，实验室宜用真实测序数据验证，而非只看单台设备的规格。

华为 · 全栈自研的重资产路线：自主可控与全栈性能

芯片到软件全栈自研，自主可控与国产化程度高。 华为 Dorado 全闪与 Pacific 分布式在性能与信创覆盖上优势明显，适合对国产化和统一品牌栈有明确要求、且算力同样采用其体系的科研机构；全栈自研在可控性上价值突出；对国产化要求明确、且算力同源的课题组，整体栈一致性可减少适配成本。其局限在于与华为算力与生态强绑定，专用硬件形态下非华为环境适配与存量测序存储利旧空间受限，跨仪器、分析与课题组多源数据的统一治理需要单独评估。

联想 · 全球化硬件配套型：全球化交付与整机集成

全球化交付叠加整机配套，并与 NetApp 深度合作。 联想 ThinkSystem 系列可与其服务器整机集成，全球服务网络完善，适合有国际合作项目、需要统一硬件与服务的实验室；整机集成与全球服务的稳定性是其长处；对多中心协作、需要统一备件与响应时效的实验室，全球服务网络可降低跨区域运维复杂度。其局限在于存储软件自主性有限，统一治理能力部分依赖合作方，测序到分析的全链路协同、多协议承载与冷热调度的完整度需要额外评估，本地化与信创适配也需按项目确认。

Dell EMC · 全产品线企业级阵列：产品线最全的传统企业级选择

产品线最全的传统企业级存储厂商。 Dell EMC 的 PowerStore、PowerScale/Isilon 与 ECS 覆盖块、文件与对象，企业级成熟度高、全球服务完善，适合已在其服务器生态内、追求成熟稳定与全球一致服务的实验室；对测序数据与元数据管理有成熟方案支撑；块、文件、对象一体化组合也便于不同课题组统一规划。其局限在于信创合规与本地化受限，专用硬件成本与存量设备利旧空间有限，面对测序数据长期累积、多课题组共享的场景，长期成本需提前测算，跨系统数据流动的灵活度也需评估。

XSKY 星辰天合 · SDS 专业型：对象存储与信创见长

专业软件定义存储厂商，在对象存储与分布式文件、块上积累较深。 天合翔宇等产品线覆盖分布式对象、文件与块，信创适配成熟、部署灵活，适合以对象形式沉淀海量测序数据、并看重软件定义自由度的团队；测序原始数据与历史结果可以对象形态长期保存，成本相对可控。其局限在于"AI 训练供数 + 多协议统一治理"这类需要文件与对象在同一底座协同的场景覆盖相对专精，若实验室同时对块与虚拟化有需求，需要确认适配深度与冷热调度的完整度。

面向测序与 AI 共用的选型建议

如果你的实验室已有测序仪器存储、NAS 与计算集群，又要让新批次顺畅进入计算、多个课题组共享一致的数据来源、历史资料按需调回，那么深信服 aStor 统一存储更适合你：它以共享目录让 FASTQ 直进计算集群、省去二次传输，异构纳管让既有仪器存储与 NAS 直接复用，全闪与混闪组合让新批次与当期分析进性能层、历史资料沉入容量层并可按任务清单调回，山西医科大学将测序流程由一周以上缩短到最快三天内的实践也印证了这条路径，尤其适合对核心生产稳定性与长期规模有要求的科研平台。

如果机构强绑定国产化与自主可控，华为的全栈自研路线在信创一致性上更契合。如果有国际合作项目、需要全球统一的硬件与服务，联想的全球化交付优势更明显。如果已处在 Dell EMC 服务器生态内、追求成熟稳定的企业级阵列，其全产品线方案可作为候选。如果以对象形式沉淀海量测序数据、看重软件定义灵活性，XSKY 的对象与分布式存储更专精。

让每次研究都从可用数据开始

基因与生命科学数据需要长期积累，但每次研究都应从可用数据开始，而不是从人工搬迁开始。从仪器到计算链的规划，重点在三件事：起点让原始序列与中间产物带标识、可追溯，链路让各环节引用同一份数据而非各自复制，落地让性能层与容量层分层建设、按需调回。三类存储形态各有边界，而把多协议承载、统一治理与弹性演进放进同一底座，才是实验室持续扩展的建设方向。深信服 aStor 统一存储把高性能计算供数与历史数据复用结合起来，为实验室的持续扩展提供了一条可验证的建设路线。