Aplicación del modelo de programación CUDA en la simulación de la evolución de secuencias genéticas
DOI:
https://doi.org/10.29019/enfoqueute.v8n2.159Palabras clave:
simulación, evolución molecular, Markov, programación paralela, CUDAResumen
La simulación resulta un poderoso enfoque en el estudio de la evolución molecular de secuencias genéticas y su divergencia a lo largo del tiempo; existen diferentes procedimientos de simulación de la evolución molecular, pero todos ellos poseen alta complejidad computacional, y en la mayoría de los casos las secuencias genéticas poseen gran tamaño, aumentando los tiempos de ejecución de las implementaciones de estos procedimientos. A partir de esta problemática, en este trabajo se describe una propuesta de modelo de paralelización utilizando la tecnología CUDA y los resultados de esta propuesta se comparan con su equivalente secuencial.
Descargas
Los datos de descarga aún no están disponibles.
Referencias
Andrieu, C., & Doucet, A. (2010). Particle Markov chain Monte Carlo methods - Andrieu - 2010 - Journal of the Royal Statistical Society: Series B (Statistical Methodology) - Wiley Online Library. Journal of the Royal. Retrieved from http://onlinelibrary.wiley.com/doi/10.1111/j.1467-9868.2009.00736.x/full%5Cnpapers2://publication/uuid/9E1D438C-88FE-4D49-8CFE-F4D4525C0C7D
Claver, J. M., Sanjuan, A., & Arnau, V. (2007). Análisis paralelo de secuencias de ADN mediante el uso de GPU y CUDA. Uv.es, 1–6. Retrieved from http://www.uv.es/VARNAU/115-GPU-ANACAP_2008.pdf
Cornebise, J., & Peters, G. W. (2009). Comments on “Particle Markov Chain Monte Carlo” by C. Andrieu, A. Doucet and R. Hollenstein. Arxiv, 1–9. Retrieved from http://arxiv.org/abs/0911.3866
Counsell, D. (2005). Bioinformatics and molecular evolution. Comparative and Functional Genomics, 6(5-6), 317–319. https://doi.org/10.1002/cfg.486
CUDA Zone | NVIDIA Developer. (2011). Retrieved January 4, 2017, from https://developer.nvidia.com/cuda-zone
Hwu, W. (2012). GPU computing gems. Applications of GPU computing series. https://doi.org/10.1017/CBO9781107415324.004
Link, W. A., & Eaton, M. J. (2012). On thinning of chains in MCMC. Methods in Ecology and Evolution, 3(1), 112–115. https://doi.org/10.1111/j.2041-210X.2011.00131.x
Liu, Y., Schmidt, B., & Maskell, D. L. (2012). CUSBHAW: A CUDA compatible short read aligner to large genomes based on the Burrows-Wheeler transform. Bioinformatics, 28(14), 1830–1837. https://doi.org/10.1093/bioinformatics/bts276
Liu, Y., Wirawan, A., & Schmidt, B. (2013). CUDASW++ 3.0: accelerating Smith-Waterman protein database search by coupling CPU and GPU SIMD instructions. BMC Bioinformatics, 14, 117. https://doi.org/10.1186/1471-2105-14-117
Manavski, S. A., & Valle, G. (2008). CUDA compatible GPU cards as efficient hardware accelerators for Smith-Waterman sequence alignment. BMC Bioinformatics, 9 Suppl 2, S10. https://doi.org/10.1186/1471-2105-9-S2-S10
NVIDIA. (2015). CUDA Toolkit 7.5 Documentation. Retrieved January 4, 2017, from http://docs.nvidia.com/cuda/index.html
Nvidia, C. (2011). NVIDIA CUDA C Programming Guide. Changes, (350), 173. https://doi.org/PG-02829-001_v6.0
Sánchez, G. A. L., Carbajal, M. O., Cortés, N. C., & Fernández, R. B. (2012). Sobre la programación paralela de un algoritmo de optimización por cúmulo de partículas en un dispositivo GPU multi-hilos. Intekhnia, 6(2), 59–74.
Schatz, M., Trapnell, C., Delcher, A., & Varshney, A. (2007). High-throughput sequence alignment using Graphics Processing Units. BMC Bioinformatics, 8, 474. https://doi.org/10.1186/1471-2105-8-474
Weber, R. (2012). Markov Chains. Statslab.Cam.Ac.Uk, 28–49. https://doi.org/10.1017/CCOL0521534283.010
Yang, Z. (2006). Computational molecular evolution. Oxford Series in Ecology and Evolution, xvi, 357 p. https://doi.org/10.1093/acprof:oso/9780198567028.001.0001
Yang, Z., & Rodríguez, C. E. (2013). Searching for efficient Markov chain Monte Carlo proposal kernels. Proceedings of the National Academy of Sciences of the United States of America, 110(48), 19307–12. https://doi.org/10.1073/pnas.1311790110
Claver, J. M., Sanjuan, A., & Arnau, V. (2007). Análisis paralelo de secuencias de ADN mediante el uso de GPU y CUDA. Uv.es, 1–6. Retrieved from http://www.uv.es/VARNAU/115-GPU-ANACAP_2008.pdf
Cornebise, J., & Peters, G. W. (2009). Comments on “Particle Markov Chain Monte Carlo” by C. Andrieu, A. Doucet and R. Hollenstein. Arxiv, 1–9. Retrieved from http://arxiv.org/abs/0911.3866
Counsell, D. (2005). Bioinformatics and molecular evolution. Comparative and Functional Genomics, 6(5-6), 317–319. https://doi.org/10.1002/cfg.486
CUDA Zone | NVIDIA Developer. (2011). Retrieved January 4, 2017, from https://developer.nvidia.com/cuda-zone
Hwu, W. (2012). GPU computing gems. Applications of GPU computing series. https://doi.org/10.1017/CBO9781107415324.004
Link, W. A., & Eaton, M. J. (2012). On thinning of chains in MCMC. Methods in Ecology and Evolution, 3(1), 112–115. https://doi.org/10.1111/j.2041-210X.2011.00131.x
Liu, Y., Schmidt, B., & Maskell, D. L. (2012). CUSBHAW: A CUDA compatible short read aligner to large genomes based on the Burrows-Wheeler transform. Bioinformatics, 28(14), 1830–1837. https://doi.org/10.1093/bioinformatics/bts276
Liu, Y., Wirawan, A., & Schmidt, B. (2013). CUDASW++ 3.0: accelerating Smith-Waterman protein database search by coupling CPU and GPU SIMD instructions. BMC Bioinformatics, 14, 117. https://doi.org/10.1186/1471-2105-14-117
Manavski, S. A., & Valle, G. (2008). CUDA compatible GPU cards as efficient hardware accelerators for Smith-Waterman sequence alignment. BMC Bioinformatics, 9 Suppl 2, S10. https://doi.org/10.1186/1471-2105-9-S2-S10
NVIDIA. (2015). CUDA Toolkit 7.5 Documentation. Retrieved January 4, 2017, from http://docs.nvidia.com/cuda/index.html
Nvidia, C. (2011). NVIDIA CUDA C Programming Guide. Changes, (350), 173. https://doi.org/PG-02829-001_v6.0
Sánchez, G. A. L., Carbajal, M. O., Cortés, N. C., & Fernández, R. B. (2012). Sobre la programación paralela de un algoritmo de optimización por cúmulo de partículas en un dispositivo GPU multi-hilos. Intekhnia, 6(2), 59–74.
Schatz, M., Trapnell, C., Delcher, A., & Varshney, A. (2007). High-throughput sequence alignment using Graphics Processing Units. BMC Bioinformatics, 8, 474. https://doi.org/10.1186/1471-2105-8-474
Weber, R. (2012). Markov Chains. Statslab.Cam.Ac.Uk, 28–49. https://doi.org/10.1017/CCOL0521534283.010
Yang, Z. (2006). Computational molecular evolution. Oxford Series in Ecology and Evolution, xvi, 357 p. https://doi.org/10.1093/acprof:oso/9780198567028.001.0001
Yang, Z., & Rodríguez, C. E. (2013). Searching for efficient Markov chain Monte Carlo proposal kernels. Proceedings of the National Academy of Sciences of the United States of America, 110(48), 19307–12. https://doi.org/10.1073/pnas.1311790110
Publicado
2017-03-31
Número
Sección
Misceláneos
Licencia
Los autores retienen todos sus derechos (© copyright).
- Los autores retienen sus derechos de marca y patente, y también sobre cualquier proceso o procedimiento descrito en el artículo.
- Los autores retienen el derecho de compartir, copiar, distribuir, ejecutar y comunicar públicamente el artículo publicado en Enfoque UTE (por ejemplo, colocarlo en un repositorio institucional o publicarlo en un libro), siempre que se dé el reconocimiento de su publicación inicial en la revista Enfoque UTE.
- Los autores retienen el derecho a hacer una posterior publicación de su trabajo, de utilizar el artículo o cualquier parte de aquel (por ejemplo: una compilación de sus trabajos, notas para conferencias, tesis, o para un libro), siempre que indiquen la fuente de publicación (autores del trabajo, revista, volumen, número y fecha).
Cómo citar
Aplicación del modelo de programación CUDA en la simulación de la evolución de secuencias genéticas. (2017). Enfoque UTE, 8(2), pp. 78 - 93. https://doi.org/10.29019/enfoqueute.v8n2.159
