バイオインフォマティクス（生命情報科学：ゲノムデータ等の生物学的データを計算機で解析する分野）スタートアップが、ゲノム解析パイプラインをAWSで新規構築しています。 【ワークロードの特性】 - 入力データ：患者1名あたり約200GBのWGS（Whole Genome Sequencing：全ゲノムシーケンシング）データ（FASTQ形式でS3に保存） - 解析パイプライン：BWA（Burrows-Wheeler Aligner：ゲノムアライメントツール）→ GATK（Genome Analysis Toolkit：変異検出ツール）の2段階処理 - BWAは64 vCPU・256GB RAMを必要とし、処理時間は1サンプルあたり36時間 - GATKは16 vCPU・64GB RAMを必要とし、処理時間は1サンプルあたり12時間 - BWAが完了した後にのみGATKを実行できる（順序依存） - 処理規模：平均50サンプル/日、ピーク時200サンプル/日 【要件】 1. サンプルごとに処理ジョブを並列実行し、スループットを最大化 2. BWA→GATKの依存関係を自動管理（手動介入不要） 3. ジョブ失敗時の自動リトライ（最大3回） 4. 処理完了メタデータをAmazon DynamoDBに自動記録 5. コスト最適化（ただし1サンプルあたりの完了時間を72時間以内に制約） この要件を最も適切に満たすアーキテクチャはどれですか？
AWS Batchはバッチコンピューティングに最適化されたマネージドサービスで、dependsOnによるジョブ間依存関係の定義・自動リトライ設定・Spot Instancesによるコスト最適化（最大90%削減）・コンピューティング環境の自動スケールが全て標準機能として提供される。チェックポイント実装でSpot中断からの回復も可能で72時間制約内での完了を担保できる。EventBridge → Lambda → DynamoDB連携で完了メタデータ記録も実現できる。 選択肢BのECS Fargate Spotは、1タスク上限が16 vCPU・120GBであり、BWAの要件（64 vCPU・256GB）を満たせません。 選択肢Cのカスタムスケジューラー実装は、複雑性と運用コストが増大します（AWS Batchで解決できる問題をゼロから構築することになります）。 選択肢DのSageMaker Processingは、ML前処理向けサービスであり、HPC（高性能計算）バイオインフォマティクスパイプラインにはオーバーエンジニアリングで不適切です。