вс
setprop debug.hwui.renderer skiagl
останавливаться
Начните
  

c: \ Users \ janedoe \ AppData \ Local \ Android>  Sdk  \ emulator \ emulator -accel-check
ускорение:
0
HAXM версии 7.3.2 (4) установлен и готов к использованию.
ускорение
 

janedoe-macbookpro: Android janedoe $ ./  Sdk  / эмулятор / эмулятор -accel-check
ускорение:
0
HAXM версии 7.3.2 (4) установлен и готов к использованию.
ускорение
 

janedoe: ~ / Android $ ./  SDK  / эмулятор / эмулятор -accel-check
ускорение:
0
KVM (версия 12) установлен и готов к использованию.
 

  sc stop gvm
   sc удалить gvm
  

sudo /System/Library/Extensions/intelhaxm.kext/Contents/Resources/uninstall.sh
 

sudo apt-get install qemu-kvm libvirt-daemon-system libvirt-clients bridge-utils
 

sudo apt-get install qemu-kvm libvirt-bin ubuntu-vm-builder bridge-utils
 

sudo aptitude install kvm libvirt-bin ubuntu-vm-builder мост-утилиты
 

1. Щелкните правой кнопкой мыши пустое место на рабочем столе Desktop вашего компьютера.
2. Нажмите Персонализировать .
3. На левой панели появившегося окна щелкните Display .
4. На левой панели следующего окна щелкните Изменить параметры отображения .
5. Щелкните Дополнительные настройки .
6. Перейдите на вкладку Устранение неполадок .
7. Нажмите Изменить настройки . Если кнопка Изменить настройки неактивна, текущее графическое оборудование вашего компьютера не позволяет пользователям возиться с настройками аппаратного ускорения, по крайней мере, отсюда.
8. В разделе Аппаратное ускорение переместите ползунок до упора влево до Нет . Перемещение ползунка до Нет полностью отключит Аппаратное ускорение.
9. Нажмите ОК .
10. Щелкните Применить , а затем ОК .
11. Щелкните Применить , а затем ОК .
12. Перезагрузите компьютер, чтобы изменения вступили в силу.При загрузке компьютера аппаратное ускорение будет отключено .

Если Метод 1 не работает для вас или если кнопка Изменить настройки на вкладке Устранение неполадок недоступна для вас, не бойтесь — вы все равно можете попробовать и отключить аппаратное ускорение в реестре вашего компьютера . Для этого вам необходимо:

1. Нажмите клавишу Windows Logo + R , чтобы открыть диалоговое окно Выполнить .
2. Введите regedit в диалоговом окне Выполнить и нажмите Введите , чтобы открыть редактор реестра .
3. На левой панели редактора реестра перейдите в следующий каталог:

    HKEY_CURRENT_USER> Программное обеспечение> Microsoft 

4. На правой панели редактора реестра щелкните под ключ Avalon.Graphics под ключом Microsoft , чтобы его содержимое отображалось на правой панели.
5. На правой панели редактора реестра проверьте, существует ли значение DWORD с заголовком DisableHWAcceleration . Если существует значение DWORD , оно, вероятно, будет иметь значение 0 . Просто дважды щелкните его, чтобы изменить его , замените все, что находится в его поле Value data: на 1 , и нажмите OK .
   Если значение DisableHWAcceleration не существует, щелкните правой кнопкой мыши пустое место на правой панели редактора реестра , наведите указатель мыши на Новый и щелкните DWORD (32-битное) значение , назовите новое DWORD значение DisableHWAcceleration , дважды щелкните вновь созданное значение, чтобы изменить его , замените все, что находится в его поле Value: на 1 и нажмите OK .
6. Закройте редактор реестра .
7. Перезагрузите компьютер, чтобы изменения вступили в силу.

Границы | Сравнение методов ускорения для выбранных низкоуровневых биоинформатических операций

1. Введение

Благодаря технологическим разработкам, таким как, например, секвенирование следующего поколения или передовая лабораторная робототехника, за последние 5–10 лет объем данных, полученных в результате экспериментов в области наук о жизни, достиг новых размеров.Таким образом, биоинформатика должна сосредоточить свое внимание не только на алгоритмических аспектах анализа биоданных, но и на поиске новых способов обработки огромных массивов данных, иначе сообщество столкнется с опасностью того, что большие объемы данных могут быть потрачены впустую (Ro and Re, 2010 ).

В последние годы неуклонная гонка за более высокими тактовыми частотами современных процессоров заметно замедлилась из-за физических ограничений на миниатюризацию интегральных схем (Bendavid, 2006). Эти ограничения в конечном итоге привели к появлению современных многоядерных процессоров, которые включают в себя несколько процессорных ядер в одном корпусе процессора.В дальнейшем термин процессор относится к одноядерным ЦП, а также к одноядерным процессорам в многоядерных ЦП. Проблемы, возникающие при проектировании аппаратного обеспечения, также нашли свое отражение в разработке программного обеспечения, где все большее количество приложений было адаптировано для использования на компьютерах с несколькими процессорами. Самая основная идея, лежащая в основе этих методов распараллеливания, заключается в распределении вычислительных операций между несколькими процессорами вместо использования только одного процессора, что значительно сокращает время работы приложения без необходимости повышения тактовой частоты.Однако этот сдвиг парадигмы требует фундаментальных изменений в разработке программного обеспечения и в стратегиях решения проблем в целом. Для достижения разумной производительности при использовании более чем одного процессора интересующий алгоритм должен быть описан таким образом, чтобы можно было обработать как можно больше вычислений в произвольном порядке. Это требование гарантирует, что данные могут обрабатываться параллельно, вместо классических последовательных вычислений, когда данные обрабатываются в строгом порядке. В настоящее время существует четыре основных метода оптимизации и распараллеливания приложений, а именно: многопроцессорность ЦП, векторные инструкции и оптимизация кеша, кластерные вычисления (передача сообщений, планировщики заданий) и использование специализированных устройств ускорения. E.g., ПЛИС, графические процессоры, микрофоны. Для большинства этих стратегий доступны ручные, автоматические или гибридные методы распараллеливания.

Далее мы представляем методы ускорения вместе со схемой, показывающей, как ускорение может быть реализовано для задачи счета k -mer (обратите внимание, что это только одно возможное решение для ускорения, и существует множество решений). k -mer — это слово длиной k в заданном алфавите, например, алфавит ДНК Σ = { A, C, G, T }.Чтобы извлечь все возможные k -меры исходной строки, скользящее окно размером k перемещается по строке, подсчитывая вхождения. Задача примера, используемого в этом разделе, состоит в том, чтобы подсчитать вхождения всех 256 4-меров в заданной последовательности. k -меры являются строительными блоками, используемыми во множестве задач биоинформатики, например, в филогенетике (Martin et al., 2008; Diaz et al., 2009), поскольку они обеспечивают сжатое представление последовательности.

2.Материалы и методы

2.1. Техники

2.1.1. ЦП с несколькими процессорами

Многоядерные / процессорные машины — это компьютерные системы с более чем одним процессором. Обычно они используются как рабочие станции или серверы. В обычных настольных компьютерных системах сегодня используется до восьми процессоров, а в серверах или рабочих станциях используется еще больше. Для CPU-multi-processing две библиотеки для использования с популярными языками программирования, включая C, C ++ или Fortran, доминируют в разработке программного обеспечения, а именно Posix Threads (pthreads; Butenhof, 1997) и OpenMP (Dagum and Menon, 1998).Оба подхода хорошо зарекомендовали себя, стабильны и имеют активное сообщество. Хотя обе библиотеки облегчают параллельное выполнение кода, сценарии использования немного отличаются. OpenMP обычно используется для аннотирования исходного кода приложения подсказками о том, где следует оптимизировать, чтобы выполнить автоматическое распараллеливание подходящих языковых конструкций, таких как циклы, без каких-либо дополнительных действий со стороны разработчика. Библиотека pthreads не предлагает автоматического распараллеливания. Создание / уничтожение потока должно выполняться явно, поэтому необходимо изменить код.OpenMP часто предпочтительнее из-за возможности создания параллельных версий существующих приложений без изменений в логике приложения и, таким образом, контролируемого времени и усилий с сохранением совместимости для систем без OpenMP из-за его директивного характера.

Особые виды многоядерного оборудования — это устройства с множеством интегрированных ядер (MIC). Они включают в себя множество ядер на одном кристалле. Преимущество состоит в том, что MIC можно запрограммировать, например, с помощью OpenMP.

Схема, изображающая одну возможность вычисления тыс. -меров с использованием многопроцессорной обработки, показана на рисунке 1.Здесь каждый процессор вычисляет четверть всех отсчетов тыс. -меров.

Рис. 1. Многопоточность: 4 ^k = 256 4-мер (обозначенных числами 1–256) обрабатываются на одном компьютере с четырьмя процессорами (обозначены прямоугольными полями внизу) . Каждый процессор вычисляет четверть всех отсчетов k -mer.

2.1.2. Векторные инструкции и оптимизация кэша

Последние процессоры имеют несколько специализированных наборов векторных команд (например,g., MMX, SSE, AVX), которые позволяют эффективно обрабатывать векторные структуры данных, часто используемые в визуальных операциях или в научных вычислениях. В этих наборах команд используется параллелизм данных, чтобы обеспечить одновременное выполнение операций над векторной структурой вместо последовательного выполнения операции над каждым элементом вектора, что приводит к увеличению производительности для типичных векторных и матричных операций, например скалярных произведений. К сожалению, качество преобразования приложений для использования векторных инструкций сильно зависит от используемого компилятора и сложности кода.

В настоящее время объем памяти в серверных системах достаточен для решения множества алгоритмических задач. Однако время доступа и пропускная способность основной памяти могут создавать узкие места. Кэш процессора, размещенный в качестве промежуточной памяти между основной памятью и процессором, действует как быстрый буфер для повторных обращений к памяти и предотвращает доступ ЦП к более медленной основной памяти. Передача содержимого памяти выполняется фрагментами, так называемыми строками кэша. Механизм кеширования работает хорошо, если доступ к информации в кеше является непрерывным, но не работает в случае произвольного доступа к памяти.

Оптимизаторы кэша пытаются избежать ненужной передачи данных, оптимизируя доступ к памяти, чтобы он был непрерывным. Ручная оптимизация требует значительного времени на разработку, знаний, опыта и ресурсов и поэтому может быть оставлена ​​на усмотрение подходящего программного обеспечения, такого как PluTo-SICA.

PluTo-SICA (Feld et al., 2013, 2015) преобразует аннотированный (аналогично OpenMP) исходный код для использования векторных инструкций, а также для оптимизации кэша и, кроме того, может распараллеливать приложение с помощью OpenMP (см. CPU-multi-processing).

Схема, изображающая одну возможность вычисления k -меров с использованием векторных инструкций, показана на рисунке 2. Если k = 4, векторная инструкция могла бы сравнить все четыре символа 4-мерного с 4-мя символами текста вместо использования цикл for, сравнивающий одну пару символов за раз.

Рис. 2. Блоки векторных инструкций расположены внутри процессора и могут выполнять одну инструкцию для нескольких данных одновременно . Это означает, что, например, сравнение четырех пар символов выполняется (почти) так же быстро с векторными инструкциями, как сравнение 1 пары символов.

2.1.3. Графические процессоры

В настоящее время графические процессоры, которые можно использовать для научных вычислений [вычисления на GPU общего назначения (GPGPU)], становятся все более и более распространенными в исследовательских рабочих станциях. Они отличаются от ЦП, поскольку они специально разработаны для высокопараллельных вычислений и имеют гораздо большее количество процессоров, чем ЦП (например, процессоры NVIDIA Tesla K40: 2880; NVIDIA Corporation, 2014) и обычно обеспечивают более высокую пропускную способность памяти.

Хотя графические процессоры содержат огромное количество процессоров и обладают высокой пропускной способностью памяти, не все алгоритмы могут быть эффективно запущены на графических процессорах.Алгоритмы должны быть совместимыми с SIMT, и для обеспечения эффективности необходимо объединить произвольный доступ к глобальной памяти. Кроме того, может возникнуть проблема, связанная с сокрытием латентности доступа к памяти, которая немного компенсируется на современных графических процессорах за счет использования архитектур кеширования (cmp. NVIDIA, 2015). Более того, глубоко вложенные управляющие структуры неэффективны. Приложения, требующие двойной точности для чисел с плавающей запятой, будут иметь значительное снижение производительности в зависимости от используемого графического процессора.

Два API, CUDA (NVIDIA Corporation, 2013) и OpenCL (Khronos OpenCL Working Group, 2014), заявили о себе в программировании на GPU.CUDA более устоявшаяся и предлагала лучшую производительность в прошлом, но ограничена графическими процессорами NVIDIA, тогда как OpenCL совместим с более широким спектром оборудования (графические процессоры NVDIA / ATI, а также другие устройства, например, процессоры, MIC) и постоянно набирает обороты. с точки зрения производительности (Karimi et al., 2010; Fang et al., 2011). В Komatsu et al. (2010) диагностировали, что разница в производительности связана с отсутствием оптимизации компилятора в компиляторе OpenCL C. Недавний тест пакета тестов SHOC (Danalis et al., 2010) показывает, что в тесте хеширования MD5 производительность OpenCL и CUDA сопоставима, но CUDA значительно быстрее в тесте FFT (OpenBenchmarking.org, 2015).

Создание исходного кода с ускорением на GPU требует обширного опыта и знаний в области проектирования оборудования GPU, чтобы полностью раскрыть потенциал графических процессоров.

, специально предназначенные для генерации кода графического процессора, все еще относительно не используются. Однако два примера автоматических генераторов кода, PPCG (многогранная параллельная генерация кода; Verdoolaege et al., 2013) и OpenACC (Open Accelerators; OpenACC Consortium, 2013). PPCG анализирует исходный код благоприятного фрагмента кода и генерирует соответствующий код ускорителя, но ограничен в поддержке только подмножества конструкций языка программирования. OpenACC — это библиотека на основе аннотаций, немного напоминающая OpenMP, которая автоматически генерирует ускоренный код для графических процессоров. До сих пор поддержка компилятора для OpenACC ограничена несколькими коммерчески доступными компиляторами, такими как Cray Compiling Environment (CCE, Cray Inc, США), PGI Accelerator (NVIDIA Corporation, США, ограниченная университетская лицензия разработчика доступна бесплатно) и Компилятор CAPS (предприятие CAPS, Франция).

Схема, изображающая одну возможность вычисления тыс. -меров с использованием графических процессоров, показана на рисунке 3. Каждый процессор на графическом процессоре вычисляет одно число тыс. -меров.

Рис. 3. GPU / FPGA: Концепция вычислений GPU и FPGA для k -меров аналогична, поскольку оба устройства имеют множество процессоров . Здесь задача распределяется между этими процессорами путем вычисления одного k -mer на каждом процессоре. Обратите внимание, что для ПЛИС существует множество подходов к решению этой проблемы, и это решение представлено только как одна из возможностей.

2.1.4. ПЛИС

Программируемые вентильные матрицы (FPGA) представляют собой конфигурируемые интегральные схемы, в отличие от других интегральных схем в компьютере, которые имеют фиксированную компоновку. Устройства-ускорители FPGA являются многообещающим способом решения нескольких серьезных вычислительных проблем благодаря их индивидуальному аппаратному решению с очень тонким контролем над каждым аспектом выполнения. К сожалению, это условие для явного и точного описания алгоритма и дорогостоящего преобразования алгоритма в проект FPGA.В отличие от разработки приложений, процесс проектирования схемы FPGA требует знания языка описания оборудования, а также общего понимания конструкции оборудования. Более того, некоторые преимущества программирования ЦП, такие как архитектура кэширования или числа с плавающей запятой, недоступны, но могут быть реализованы, требуя больших усилий и обширных знаний. Чтобы преодолеть разрыв от разработки программного обеспечения к разработке оборудования, инструменты синтеза высокого уровня, такие как компилятор ROCC (Villarreal et al., 2010), которые могут преобразовывать исходный код C в проект FPGA, доступны, но очень ограничены с точки зрения поддерживаемых языковых конструкций. Помимо требований к конструкции FPGA, удельные затраты на FPGA намного выше по сравнению с многопроцессорными процессорами или графическими картами с поддержкой вычислений на GPU.

Схема, изображающая одну возможность вычисления тыс. -меров с использованием ПЛИС, показана на рисунке 3. ПЛИС сконфигурирована так, чтобы иметь счетчик для каждого тыс. -меров. Каждый счетчик считает появление числа k в текущей текстовой позиции.Обратите внимание, что мы описываем решение, в котором использовалась ПЛИС для параллельного решения проблемы, чтобы ускорить ее. Существуют и другие решения, в которых используется тонкое управление конфигурируемым оборудованием, например, ускорение передачи данных путем установки размера символа на 2 бита для алфавита ДНК.

2.1.5. Кластерные вычисления

2.1.5.1. Передача сообщений

Высокопроизводительная вычислительная установка с передачей сообщений состоит из нескольких компьютеров, соединенных между собой линиями с низкой задержкой и работающих параллельно, путем разделения вычислительной проблемы на подзадачи, которые решаются на каждом компьютере.Компьютеры требуют связи для эффективного обмена данными, обмена промежуточными результатами и, таким образом, породили интерфейс передачи сообщений (MPI), реализованный MPICH (Bridges et al., 1995), а также более поздний Open MPI (Gabriel et al., 2004 г.). Проблема хорошо подходит для решения с помощью MPI, если взаимосвязанные компьютеры не требуют большого обмена данными между собой, поскольку ожидание ответов от других компьютеров значительно снизит производительность. Необходимо тщательно продумать разделение проблемы на подзадачи, чтобы ограничить общение.Это требует обширных знаний об алгоритме. Кроме того, необходимо изменить исходный код для решения подзадач и использования передачи сообщений. Насколько известно авторам, существует очень мало элементарных подходов, таких как в Bondhugula (2013), доступных с учетом методов автоматического переноса кода для выполнения MPI.

Схема, изображающая одну возможность вычисления k -меров с использованием передачи сообщений, показана на рисунке 4. Здесь каждый компьютер независимо вычисляет количество k -меров для части всех k -меров.Подсчеты передаются через передачу сообщений на один компьютер, который создает отчет.

Рисунок 4. Соединенная сеть компьютеров составляет . Каждый компьютер может иметь один или несколько процессоров (показано пунктирными прямоугольными полями). Сначала задача распределяется на четыре компьютера, где вычисляется четверть из числа k -mer. Если процессоров несколько, работа распределяется между ними. Поскольку задачи распределяются по нескольким компьютерам, отчет не может быть создан напрямую, поскольку результаты присутствуют на разных устройствах.Используя соединение между компьютерами, одно устройство собирает результаты с помощью передачи сообщений.

2.1.5.2. Планирование заданий кластерных вычислений

Вычислительный кластер в настройке планирования заданий — это слабосвязанный набор автономных компьютеров, подключенных к центральному серверу, действующему как планировщик. Планировщик получает запросы вычислительных заданий и порождает их на компьютерах в кластере. Планирование заданий для кластерных вычислений возможно для большинства приложений, поскольку, как правило, приложение не должно предоставлять специфические для кластера функциональные возможности.Однако обрабатываемые данные должны быть разделены на независимые блоки, которые можно обрабатывать независимо на разных машинах без какого-либо обмена данными.

В отличие от передачи сообщений, компьютеры часто либо соединяются между собой через медленное, обычное сетевое соединение, либо не соединяются между собой вообще, поскольку обмен данными между заданиями в этой настройке не предусмотрен. Существуют различные программные решения для планирования, например, Oracle grid Engine (Developers, 2013), Univa Grid Engine ™ (Univa Corporation, 2013) или Simple Linux Utility для управления ресурсами (Yoo et al., 2003), а общий механизм для управления заданиями в вычислительных кластерах был создан с помощью API приложения для управления распределенными ресурсами (DRMAA; Rajic et al., 2004). Но, к сожалению, необходимо настроить программное обеспечение планировщика, что нетривиально.

Схема, изображающая одну возможность вычисления k -меров с использованием кластерных вычислений планирования заданий, показана на рисунке 5. Для каждого k -меров выполняется приложение (считая одного k -меров в одном тексте), которое принимает подсчитываемое число k , а также файл, содержащий последовательность, в которой следует считать число k в качестве параметров.Они создаются планировщиком на компьютерах кластера. Поскольку все приложения независимы друг от друга, необходимо запустить приложение, которое ожидает завершения всех заданий и собирает результаты, считывая их с жесткого диска.

Рис. 5. Планирование заданий кластерных вычислений. Настройка кластерных вычислений планирования заданий аналогична настройке передачи сообщений . Есть четыре компьютера с одним или несколькими процессорами, которые выполняют задачу подсчета k -меров.Однако между компьютерами нет связи. Поэтому каждый компьютер сохраняет свои результаты на жесткий диск. После того, как все компьютеры завершат подсчет числа k , результаты должны быть прочитаны с жесткого диска и собраны, чтобы можно было вывести отчет.

2.1.5.3. Далее подходит

Другой популярной парадигмой программирования, работающей поверх MPI (MapReduce-MPI) или более популярного Apache Hadoop, является MapReduce (Dean and Ghemawat, 2008). Решаемая задача описывается как пара карта и функция сокращения.Каждое приложение функции карты к точке данных запускается как независимый процесс на нескольких компьютерах, а функция сокращения собирает результаты. Преимущество MapReduce состоит в том, что программисту нужно только переформулировать проблему, так как функции сопоставления и сокращения, а также распараллеливание и миграция данных обрабатываются инфраструктурой MapReduce. Однако должна существовать возможность выразить проблему в виде серии функций сопоставления / сокращения. Кроме того, все компьютеры должны быть подключены друг к другу, и скорость шага уменьшения может зависеть от пропускной способности / задержки сети.

Особым видом настройки кластерных вычислений для планирования заданий являются сеточные вычисления. Грид — это «гибкий, безопасный, скоординированный обмен ресурсами между динамическими коллекциями людей, учреждений и ресурсов» (Foster et al., 2001). Хотя сетка является очень абстрактным понятием, в настоящее время люди описывают ее как более разнородную, слабосвязанную и пространственно разнообразную, как обычную кластерную вычислительную систему с планированием заданий.

2.2. Создание параллельной обработки в последовательной информатике

Появление в 2005 году новых технологий секвенирования, а именно 454 GS от Roche (Margulies et al., 2005), Illumina GAIIx (Bentley et al., 2008) и система Applied Biosystems SOLiD (Shendure et al., 2005) ознаменовали новую эру в секвенировании нуклеотидов, а также в биоинформатике. Проекты секвенирования генома, выполнение которых раньше занимало месяцы, теперь можно было выполнить за несколько дней. Таким образом, объем генерируемых данных значительно увеличился на несколько порядков, что сделало многие хорошо зарекомендовавшие себя биоинформатические приложения эпохи Сангера устаревшими.

По сравнению с секвенированием по Сэнгеру (Сэнгер и др., 1977), который способен обрабатывать до сотен образцов параллельно на современных машинах, все системы NGS способны параллельно упорядочивать миллионы образцов ДНК. Увеличилось не только чистое количество чтений, но и заметно уменьшилась длина чтения. Считывания, происходящие из традиционного секвенирования по Сэнгеру, охватывали более 1000 п.н., считывания, сгенерированные системой 454, достигли длины 100 пар оснований, а считывания, полученные с помощью машин Illumina, были ограничены в лучшем случае 36 парами оснований в первые дни секвенирования следующего поколения.

2.2.1. Методы / алгоритмы сравнения последовательностей

С появлением постоянно развивающихся методов секвенирования ДНК для расшифровки порядка нуклеотидов одним очевидным вопросом является измерение сходства двух или более нуклеотидных последовательностей. Таким образом, сравнение последовательностей является одной из основных методологий биоинформатики. Он используется для различных целей, таких как поиск в базе данных (Pertsemlidis and Fondon, 2001), отображение краткого чтения (Li and Homer, 2010), множественное выравнивание последовательностей (Thompson et al., 2011) с применением, например, в филогенетике, сборке, протеомике и сравнительной геномике. Из-за его повсеместного использования в полевых условиях существуют различные подходы для каждого из доменов, и многие приложения включают параллелизм. Кроме того, существуют некоторые приложения, использующие алгоритмические свойства для быстрых вычислений, которые используют, например, k -меров вместо сравнения последовательностей строк, а некоторые также используют методы распараллеливания (McHardy et al., 2007; Langenkämper et al., 2014). Например, при поиске в базе данных требуются алгоритмы быстрого выравнивания, которые способны справиться с увеличением размеров базы данных и увеличением количества запросов к этим базам данных. Самым популярным приложением для поиска в базе данных последовательностей является Basic Local Alignment Search Tool (BLAST; Altschul et al., 1990).

Отображение короткого чтения требует алгоритмов, которые способны выравнивать большое количество последовательностей в относительно небольшой базе данных (по сравнению с типичными базами данных BLAST) с небольшим количеством ошибок.При множественном выравнивании последовательностей для филогенетического анализа используются алгоритмы сравнения. По существу, они требуют высокой чувствительности с учетом эволюционной модели и ряда связанных последовательностей.

2.2.2. ВЗРЫВ

Поиск в базе данных последовательностей в биоинформатике тесно связан с BLAST. Основная функция BLAST заключается в обнаружении сходства последовательностей на уровне нуклеотидов и белков; он часто запускается как часть конвейера аннотации генома. Применяемый сегодня процесс аннотации вряд ли был бы возможен, если бы приложения, используемые ежедневно, были ограничены одним процессором на одной машине.BLAST может получить прибыль от выполнения на многопроцессорных компьютерах, поскольку он может использовать определенное количество процессоров на одном компьютере или, в более крупном масштабе, работать в системах планировщика заданий, а также распределять входные данные на несколько компьютеров.

Кроме того, адаптированные версии BLAST, работающие на специализированном оборудовании (FPGA: TimeLogic ^® Tera-BLAST ™; TimeLogic Division, 2013; GPU: GPU-BLAST; Vouzis and Sahinidis, 2011, G-BLASTN; Zhao and Chu, 2014 ) существовать.

2.2.3. Чтение карты

Существуют различные варианты использования для секвенирования геномной ДНК.Геном организма может быть впервые секвенирован, что приводит к подходу de novo , или организм, тесно связанный с известным организмом, секвенирован, следовательно, выполняется повторное секвенирование. Во многих случаях для получения информации о геномных различиях между двумя или более индивидуумами секвенируют разные, но близкородственные штаммы вида. В этом случае все чтения, полученные в результате секвенирования, могут быть сопоставлены с известной ссылкой. Эта задача, известная как отображение чтения, — еще одна тема, которая привлекла внимание с момента появления технологий NGS.Типичными представителями являются MAQ (Li et al., 2008), SSAHA (Ning et al., 2001), BLAT (Kent, 2002), BLASTZ (Schwartz et al., 2003), GMAP (Wu and Watanabe, 2005), SOAP. (-dp) (Li et al., 2008; Luo et al., 2013), Bowtie (2) (Langmead et al., 2009; Langmead and Salzberg, 2012), BWA (Li and Durbin, 2009, 2010), BarraCUDA (Klus et al., 2012), CUSHAW (Liu et al., 2012b), CUSHAW2-GPU (Liu and Schmidt, 2014). SOAP, BWA и Bowtie активно разрабатывались с момента их выпуска, что привело к их реализации для использования в системах FPGA (Convey Computer, 2011).SOAP был выпущен во второй версии (Li et al., 2009) и в конечном итоге перенесен на графические процессоры (Liu et al., 2012a; Luo et al., 2013) с использованием серверной части CUDA. Доступны другие инструменты, совместимые с GPU, такие как BarraCUDA, CUSHAW (2).

2.2.4. Сборка

В настоящее время все доступные методы секвенирования основаны на фрагментации входной ДНК. Следовательно, очень важно иметь возможность повторно получить правильный порядок фрагментов после того, как секвенирование имело место. Эта задача известна как сборка генома последовательности. Для решения этой проблемы были предложены различные алгоритмические подходы; Двумя яркими примерами являются подходы Де Брёйна, основанные на графах (Myers et al., 2000; Певзнер и др., 2001; Batzoglou et al., 2002; Sommer et al., 2007; Батлер и др., 2008; Миллер и др., 2008; Зербино и Бирни, 2008; Simpson et al., 2009; Boisvert et al., 2010; Li et al., 2010) и на основе перекрытия-компоновки-консенсуса (OLC) (Dohm et al., 2007; Jeck et al., 2007; Warren et al., 2007; Bryant et al., 2009; Hossain et al. , 2009; Ariyaratne, Sung, 2011) сборочные приложения. При столкновении с наборами данных в масштабе человеческого генома требования к оборудованию, особенно потребление памяти, резко возрастают из-за проблемы сборки.К сожалению, распараллеливание алгоритмов сборки нетривиально, что приводит к поэтапным подходам, при которых только несколько этапов процесса сборки распределяются между несколькими процессорами. Таким образом, алгоритмы сборки были перенесены только для работы с инфраструктурами вычислительных кластеров (Myers et al., 2000; Simpson et al., 2009).

Современные серверные системы имеют до 2 ТБ оперативной памяти, что позволяет даже de novo сборок организмов с очень большими и сложными геномами.Однако максимальный объем памяти на графический процессор ограничен 12 ГБ [NVIDIA Tesla K40 (NVIDIA Corporation, 2014), NVIDIA Tesla K80 2 × 12 ГБ (NVIDIA Corporation, 2015)]. До сих пор, насколько известно авторам, не было опубликовано программное обеспечение для сборки на базе графического процессора. При увеличении объема памяти графического процессора в будущем адаптация существующих алгоритмов сборки для графических процессоров или разработка новых подходов, способных полностью использовать все их преимущества, могут значительно сократить время, необходимое для больших сборок NGS.Однако одним из основных недостатков подходов, основанных на графическом процессоре, часто является узкое место при передаче данных между хост-системой и графическим процессором.

3. Результаты

Далее оцениваются инструменты, которые автоматически используют метод оптимизации. Испытываемые методы: многопроцессорная обработка ЦП, векторные инструкции и оптимизация кеша, а также вычисления на графическом процессоре. Они оцениваются с использованием двух вариантов использования. Один из них — это подсчет паттерна в ряде последовательностей, например, k -мер, как представлено во введении.Вторая задача — это умножение двух больших матриц, что больше подходит для большинства оптимизаторов. Кроме того, умножение матриц актуально как строительный блок для множества задач последовательной или общей биоинформатики, например, скрытых марковских моделей или кластеризации. Код C, представленный в следующих листингах, перечисляет только ту часть, которая требует больших вычислительных ресурсов для данной задачи. Эта часть также называется ядром или точкой доступа.

3.1. Настройки

Примеры выполнялись на двух процессорах Intel Xeon E5620 (2.4 ГГц, 4 ядра, включена гиперпоточность) ЦП с ОЗУ 70 ГБ и графическим процессором NVIDIA Tesla C2070. Компиляция производилась с использованием следующих инструментов. Если применимо, использовались флаги оптимизации. Исходный код предоставлен в дополнительных материалах.

Для компиляции использовались следующие инструменты:

• C / C ++ gcc 4.92

• CUDA nvcc 7,5

• PPCG ppcg 0,04 + nvcc 7,5

• PluTo-SICA PluTo 0.10.0-100-g45b91e4, текущая (11.11.2015) SICA Github branch + gcc 4.92

• OpenACC pgcc 15.7-0

3.2. Оценка

Время работы ядер было измерено и представлено на Рисунке 6 (Таблица 1) и Рисунке 7 (Таблица 2). Как видно из примера умножения матриц (см. Рисунок 7; таблица 2, PPCG / OpenACC), можно увидеть, что значительное ускорение может быть достигнуто с использованием графических процессоров. В примере с подсчетом паттернов ускорение с использованием графических процессоров является скромным для PPCG, но значительным для OpenACC.Большинство методов оптимизации связаны с накладными расходами, что означает, что размер проблемы должен быть достаточно большим, чтобы измерить ускорение (см. Рисунок 8; таблица 3). Наконец, сравнение оптимизированного вручную кода CUDA, написанного разработчиками NVIDIA CUDA [см. Рисунок 9; Таблица 4 CUDA / CUDA (CUBLAS)] по сравнению с автоматически оптимизированным кодом GPU, сгенерированным OpenACC (см. Рисунок 9; таблица 4 OpenACC), показывает, что оптимизированный вручную код на порядок быстрее. Для подходов на основе ЦП [PluTo-SICA (многопоточность и оптимизация кеша) и OpenMP (многопоточность)] ускорение зависит от поставленной задачи.Что касается умножения матриц, PluTo-SICA значительно превосходит OpenMP (см. Рисунок 7; Таблица 2 OpenMP / PluTo-SICA). Это связано с оптимизацией кеша PluTo-SICA. В версии OpenMP шаблоны доступа к памяти специально не оптимизированы. PluTo-SICA делит матричное умножение на более мелкие блоки, которые помещаются в кэш для повышения производительности (Lam et al., 1991). Если посмотреть на пример подсчета шаблонов, OpenMP превосходит PluTo-SICA (см. Рисунок 6; таблица 1) и, что более важно, версия PluTo-SICA медленнее, чем исходный код.Это вызвано перекосом различных циклов на этапе мозаики PluTo-SICA (мозаика / блокировка — это процесс переупорядочения итерационной последовательности цикла для лучшего повторного использования локальных данных), включая короткий самый внутренний k-цикл, который повторяется только четыре раза за цикл. . Это преобразование листов блокирует код для улучшенного повторного использования данных, с одной стороны, но, с другой стороны, оно делает результирующий код более сложным, чем исходная версия, и, следовательно, ограничивает возможности компилятора (в нашем случае «gcc») по оптимизации результирующего кода. исходный код кроме того.Кроме того, блокировка для лучшего использования кеша не окупается для этого примера кода, поскольку дополнительно полученное повторное использование данных из-за свойств кода относительно невелико. Для исходного кода компилятор, как правило, сможет полностью развернуть вышеупомянутый внутренний короткий цикл и заменить его четырьмя инструкциями или даже векторизовать его напрямую. После преобразования PluTo-SICA этого больше не происходит из-за сложных результирующих структур цикла, вызванных новым порядком итераций.

Рисунок 6. Сравнение различных методов автоматической оптимизации для подсчета образов . Проанализировано 200000 последовательностей длиной 5000 пар оснований каждая. PluTo-SICA (1) — это версия с ручным развертыванием цикла (см. Дополнительные материалы, листинг 12).

Таблица 1. Время выполнения подсчета шаблонов .

Рис. 7. Сравнение различных методов автоматической оптимизации умножения матриц .Перемножаются две матрицы 4096 × 4096. OpenACC соответствует времени, необходимому только для вычислений, без учета времени, необходимого для инициализации драйвера. OpenACC (1) — это версия, в которой вводится временная переменная (см. Дополнительные материалы, листинг 4).

Таблица 2. Время выполнения матричного умножения двух 4096 квадратных матриц .

Рисунок 8. Влияние размера проблемы на время выполнения последовательной версии (gcc) по сравнению с версией OpenACC .

Таблица 3. Время выполнения умножения матриц с различными размерами задач .

Рисунок 9. Сравнение автоматически преобразованного кода (PPCG, OpenACC) и оптимизированного вручную кода CUDA для матричного умножения двух 4096 квадратных матриц .

Таблица 4. Время выполнения автоматически преобразованного кода и оптимизированного вручную кода для матричного умножения двух 4096 квадратных матриц .

4.Обсуждение

На протяжении этого исследования был представлен широкий спектр различных стратегий распараллеливания и оценено их подмножество. Наши результаты показывают, что улучшение производительности может быть довольно значительным, как показывает оптимизированный для PPCG код умножения матриц, который обеспечивает ускорение 155 × по сравнению с временем выполнения исходного кода, оптимизированного gcc. Сравнение приложений, перенесенных на GPU, с многопроцессорными приложениями, использующими тот же алгоритм, в большинстве случаев показывает значительное ускорение в пользу реализации GPU.Однако это ускорение применимо только в том случае, если размер проблемы превышает определенный порог, а это означает, что для небольших размеров ввода накладные расходы, добавленные за счет миграции данных и инициализации драйвера, снижают производительность (рисунок 8; таблица 3). Влияние этих накладных расходов на общее время выполнения показано OpenACC на рисунке 7; Таблица 2. К сожалению, оценить размер проблемы, за пределами которой целесообразно перенос приложения на графические процессоры, затруднительно. Инструменты автоматического преобразования сокращают ресурсы, необходимые для преобразования приложения, так что эти границы могут быть определены эмпирически.Наша оценка показывает, что хотя код OpenMP лучше справляется с задачей подсчета паттернов в наборе последовательностей (см. Главу Результаты — оценка для объяснения), оптимизация PluTo-SICA превосходит код OpenMP в случае умножение матрицы на один порядок. В то время как PPCG работает лучше в примере умножения матриц, OpenACC работает значительно лучше в примере подсчета шаблонов. Это связано с разными подходами к оптимизации.Хотя результаты могут показаться впечатляющими, инструменты для автоматического преобразования исходного кода ограничены. Это может быть связано с техническими трудностями или недостаточной зрелостью компилятора. Следует также отметить, что некоторые оптимизаторы все еще находятся в стадии разработки, во время которой в будущем могут быть добавлены дополнительные языковые функции и конструкции.

OpenMP — один из наиболее зрелых методов распараллеливания, который хорошо интегрирован в несколько компиляторов. Практически не накладывает ограничений.Поддержка компилятора OpenACC ограничена несколькими коммерчески доступными продуктами, в то время как альтернативы с открытым исходным кодом, такие как gcc, все еще находятся на ранней стадии разработки. Новизна этих компиляторов и сложный характер компоновки памяти и выполнения на графических процессорах накладывают ограничения на автоматическое преобразование произвольного кода. PPCG и PluTo-SICA используют многогранную модель для оптимизации приложений, которая является хорошо известным и признанным инструментом, особенно в академических исследованиях. Но есть ограничения на исходный код, который можно эффективно преобразовать.Кроме того, это новые приложения, которые относительно малоизвестны.

За последние годы в области биоинформатики был достигнут значительный прогресс в области внедрения методов распараллеливания. Большинство последовательных приложений имеют многопроцессорные реализации или были перенесены на GPU или FPGA. Программное обеспечение для сборки, средство чтения карт и другое программное обеспечение, относящееся к «-omics», по крайней мере частично распараллелено. В отличие от других областей информатики, связанных с естественными науками, которые, как правило, используют вычисления с плавающей запятой, большинство программного обеспечения для биоинформатики частично основано на строках из-за связи с последовательностями ДНК или белков.Это родство включает в себя передачу данных и хранение больших последовательностей, которые в настоящее время с трудом умещаются в доступной памяти GPU или даже в схемах FPGA.

CPU Multi-Processing и Vector Instructions установлены в сообществе биоинформатиков, а аппаратные средства распространены повсеместно. OpenMP — это простой в применении неинвазивный подход. PluTo-SICA еще не налажен, но кажется многообещающим инструментом в будущем. Более того, обычное программное обеспечение компилятора, такое как gcc, icc или llvm, также использует оптимизацию кеширования и автоматическое преобразование в векторные инструкции, но результат часто оказывается менее удовлетворительным.

Прогнозируя текущее состояние вычислений на GPU, разумно предположить, что через несколько поколений объем памяти GPU может быть достаточно большим, чтобы вместить целые наборы данных и позволить переносить полные приложения на графические процессоры, а не только на подмножества приложения с обратная сторона миграции данных. Это сведет к минимуму требуемую передачу данных и теоретически позволит реализовать BLAST-подобные реализации, способные хранить целые базы данных BLAST в памяти графического процессора. OpenACC, хотя и доступен только на коммерческой основе, является довольно зрелым и эффективным инструментом.У PPCG нет поддержки и он ограничен, но его можно использовать бесплатно, и наши результаты сопоставимы с OpenACC. Учитывая текущие темпы развития методов оптимизации, кажется разумным, что через несколько лет цепочки инструментов смогут автоматически распараллеливать большинство языковых конструкций с меньшими ограничениями.

— это специализированное оборудование, которое дорого и сложно в использовании. Поскольку создание проекта FPGA вручную сильно отличается от обычного проектирования программного обеспечения, разработчику-программисту эти усилия часто не окупаются.За исключением нескольких проданных приложений (так называемых личностей), приложения FPGA почти не присутствуют в сообществе биоинформатиков. С другой стороны, FPGA могут быть многообещающей возможностью для проблем, которые в противном случае не решаются при определенных ограничениях. Компилятор ROCC автоматического оптимизатора является незрелым и довольно ограниченным в коде, который он может преобразовать. Обратите внимание, что методы использования всего потенциала FPGA, а также обширный обзор методов оптимизации FPGA выходят за рамки данной статьи.

Планирование заданий кластерных вычислений легко применить, если проблема решена. Если приложение обычно обрабатывает несколько входных файлов независимо, вместо этого можно запустить одно приложение для каждого входного файла на кластерном компьютере. Если входные файлы не обрабатываются независимо или промежуточные результаты должны быть вычислены или собраны, кластерные вычисления планирования заданий будут довольно медленными, потому что тогда данные должны быть прочитаны и записаны на жесткий диск и с него через сеть. Кроме того, обслуживание (большого) кластера нетривиально.

в настоящее время в основном используется на суперкомпьютерах и в крупномасштабных компьютерных сетях. Используемое оборудование дорогое, и почти не существует инструментов автоматического преобразования. С другой стороны, это предпочтительный метод эффективного использования вычислительной мощности более чем одного компьютера (для задачи, не подходящей для кластерных вычислений с планированием заданий). В современных приложениях MPI проблема разбивается на подзадачи, которые распределяются с использованием MPI и параллельно решаются с помощью графических процессоров или CPU-Multi-Processing.

Возможно одновременное использование нескольких методов ускорения, хотя не все комбинации методов легко реализовать (см. Дополнительный рисунок 1). Технологии на основе ЦП (многопроцессорность ЦП, векторные инструкции и оптимизация кеша) легко комбинируются, и большинство компиляторов реализуют все эти оптимизации. Комбинирование подходов на основе кластера (планирование заданий, MPI) с подходами на основе ЦП или подходами на основе ускорителя (GPU, FPGA) также является простым, как упоминалось выше.Одновременное использование процессора и ускорителей не так-то просто. Динамическая эффективная балансировка нагрузки и контрольная точка — ключ к максимальной производительности и полному использованию обеих систем. Хотя существуют некоторые успешные реализации, миграция памяти и резкие различия в производительности часто приводят к неэффективному использованию. Кроме того, насколько известно авторам, автоматических подходов для совместного выполнения CPU-Accelerator не существует.

Как показано в этом исследовании, автоматическое распараллеливание возможно и показало его осуществимость (рисунок 10).Кажется, что самым простым подходом является использование CPU-Multi-Processing с использованием OpenMP и векторных инструкций / оптимизации кэша, потому что не требуется специального оборудования, автоматическое преобразование легко использовать и применимо к предоставленному диапазону исходного кода. Если требуется значительное ускорение и соответствующее оборудование доступно, а код подходит, рекомендуется использовать приложение GPU, использующее автоматическое преобразование с OpenACC, поскольку ускорение является разумным для усилий, направленных на то, чтобы научиться его применять. К сожалению, доступны только коммерческие продукты.ПЛИС, вычислительные кластеры и MPI представляют собой продукты особого интереса, которые дороги и / или сложны в использовании. К сожалению, большинство программ биоинформатики пока не используют эти методы. Но разумно полагать, что в будущем усовершенствования оборудования и усовершенствования инструментов автоматической оптимизации упростят для сообщества биоинформатиков получение прибыли от распараллеливания.

Рис. 10. Тенденции для четырех категорий, отражающие плюсы и минусы различных методов оптимизации. .Обратите внимание, что эти значения являются только тенденциями, а отображаемые значения зависят от проблемы. Обратите внимание, что ось времени выполнения масштабируется логарифмически.

Авторские взносы

DL, TJ, LJ и TN разработали работу, в то время как DL, TJ, DF, AG и TN интерпретировали результаты. DL и DF реализовали подпрограммы. DL, TJ, DF и LJ подготовили документ, а AG и TN тщательно его отредактировали. DL, TJ, DF, LJ, AG и TN окончательно одобрили текущую версию. DL, TJ, DF, LJ, AG и TN дали свое согласие нести ответственность за все аспекты работы.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Эта работа была поддержана Федеральным министерством образования и исследований Германии [грант 01 | h21004 ENHANCE] для DL, LJ, TJ и DF.

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https: // www.frontiersin.org/article/10.3389/fgene.2016.00005

Список литературы

Альтшул, С. Ф., Гиш, В., Миллер, В., Майерс, Э. У. и Липман, Д. Дж. (1990). Базовый инструмент поиска локального выравнивания. J. Mol. Биол. 215, 403–410. DOI: 10.1016 / S0022-2836 (05) 80360-2

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Батцоглу, С., Яффе, Д. Б., Стэнли, К., Батлер, Дж., Гнерре, С., Мусели, Э. и др. (2002). ARACHNE: полногеномный ассемблер. Genome Res. 12, 177–189. DOI: 10.1101 / gr.208902

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Бентли, Д. Р., Баласубраманиан, С., Свердлоу, Х. П., Смит, Г. П., Милтон, Дж., Браун, К. Г. и др. (2008). Точное секвенирование всего генома человека с использованием химии обратимых терминаторов. Природа 456, 53–59. DOI: 10.1038 / nature07517

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Boisvert, S., Laviolette, F.и Корбей Дж. (2010). Ray: одновременная сборка считываний из сочетания высокопроизводительных технологий секвенирования. J. Comput. Биол. 17, 1519–1533. DOI: 10.1089 / cmb.2009.0238

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Bondhugula, U. (2013). «Компиляция аффинных гнезд циклов для параллельных архитектур с распределенной памятью», Труды Международной конференции по высокопроизводительным вычислениям, сетям, хранению и анализу , SC ’13 (Нью-Йорк, Нью-Йорк: ACM), 1–33.

Бриджес, П., Досс, Н., Гропп, В., Каррелс, Э., Ласк, Э., и Скьеллум, А. (1995). Руководство пользователя mpich, переносимой реализации mpi. Argonne Natl. Лаборатория. 9700, 60439–64801.

Google Scholar

Бутенхоф, Д. Р. (1997). Программирование с использованием потоков POSIX (R), Аннотированный ред. . Бостон, Массачусетс: Addison-Wesley Professional.

Батлер, Дж., МакКаллум, И., Клебер, М., Шляхтер, И., Бельмонте, М., Ландер, Э. и др. (2008). ALLPATHS: de novo сборка полногеномных микрочтений дробовика. Genome Res. 18, 810–820. DOI: 10.1101 / gr.7337908

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Convey Computer (2011). Новое мировоззрение Барроуза-Уиллера Конвей обеспечивает 15-кратное повышение эффективности исследований . Ричардсон, Техас: Конвейерный компьютер.

Дагум Л. и Менон Р. (1998). Openmp: стандартный API для программирования с общей памятью. IEEE Comput. Sci. Англ. 5, 46–55. DOI: 10.1109 / 99.660313

CrossRef Полный текст | Google Scholar

Даналис, А., Марин, Г., Маккарди, К., Мередит, Дж. С., Рот, П. К., Спаффорд, К. и др. (2010). «Набор тестов для масштабируемых гетерогенных вычислений (Shoc)», в Proceedings of the 3rd Workshop on General Purpose Computing on Graphics Processing Units (Pittsburgh, PA: ACM), 63–74. DOI: 10.1145 / 1735688.1735702

CrossRef Полный текст

Дин Дж. И Гемават С. (2008). Mapreduce: упрощенная обработка данных на больших кластерах. Commun. ACM 51, 107–113. DOI: 10.1145 / 1327452.1327492

CrossRef Полный текст | Google Scholar

Разработчики, О. Г. Э. (2013). Веб-сайт Oracle Grid Engine . Редвуд-Сити, Калифорния: Oracle.

Диас, Н. Н., Краузе, Л., Гесманн, А., Нихаус, К., и Натткемпер, Т. В. (2009). TACOA: таксономическая классификация фрагментов генома в окружающей среде с использованием ядерно-методического подхода к ближайшему соседу. BMC Bioinformatics 10:56. DOI: 10.1186 / 1471-2105-10-56

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Дом, Дж.К., Лоттаз, К., Бородина, Т., и Химмельбауэр, Х. (2007). SHARCGS, быстрый и высокоточный алгоритм быстрой сборки для геномного секвенирования de novo . Genome Res. 17, 1697–1706. DOI: 10.1101 / gr.6435207

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фанг Дж., Варбанеску А. и Сипс Х. (2011). «Комплексное сравнение производительности cuda и opencl», в Parallel Processing (ICPP), 2011 International Conference on (Taipei City), 216–225.

Google Scholar

Фельд Д., Соддеманн Т., Юнгер М. и Маллах С. (2013). «Содействие генерации SIMD-кода в многогранной модели с помощью аппаратного автоматического преобразования кода», Труды 3-го Международного семинара по методам многогранной компиляции , ред. А. Грёслигер и Л.-Н. Пуше (Берлин), 45–54.

Фельд Д., Соддеманн Т., Юнгер М. и Маллах С. (2015). «Аппаратное автоматическое преобразование кода для поддержки компиляторов в использовании многоуровневого параллельного потенциала современных процессоров», в материалах Proceedings of the 2015 International Workshop on Code Optimization for Multi and Many Cores , COSMIC ’15 (New York, NY : ACM), 1–10.

Google Scholar

Фостер, И., Кессельман, К., и Туеке, С. (2001). Анатомия грида: создание масштабируемых виртуальных организаций. Внутр. J. Высокая производительность. Comput. Прил. 15, 200–222. DOI: 10.1177 / 109434200101500302

CrossRef Полный текст | Google Scholar

Габриэль, Э., Фагг, Г. Э., Босилка, Г., Ангскун, Т., Донгарра, Дж. Дж., Сквайрс, Дж. М., и др. (2004). «Открытый mpi: цели, концепция и дизайн реализации mpi следующего поколения», в Последние достижения в области параллельных виртуальных машин и интерфейса передачи сообщений (Будапешт: Springer), 97–104.

Jeck, W. R., Reinhardt, J. A., Baltrus, D. A., Hickenbotham, M. T., Magrini, V., Mardis, E. R., et al. (2007). Расширение сборки коротких последовательностей ДНК для обработки ошибок. Биоинформатика 23, 2942–2944. DOI: 10.1093 / биоинформатика / btm451

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Карими К., Диксон Н. Г. и Хамзе Ф. (2010). Сравнение производительности cuda и opencl. arXiv препринт arXiv: 1005.2581 .

PubMed Аннотация | Google Scholar

Рабочая группа Khronos OpenCL (2014). OpenCL 1.2 Спецификация . Бивертон, Орегон: Рабочая группа Khronos OpenCL.

Клус, П., Лам, С., Либерг, Д., Чунг, М.С., Пуллан, Г., Макфарлейн, И. и др. (2012). Barracuda — быстрый выравниватель последовательности короткого чтения с использованием графических процессоров. BMC Res. Примечания 5:27. DOI: 10.1186 / 1756-0500-5-27

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Комацу К., Сато К., Араи Ю., Кояма К., Такидзава Х. и Кобаяши Х. (2010). «Оценка производительности и переносимости программ opencl», Пятый международный семинар по автоматической настройке производительности (Беркли, Калифорния).

Google Scholar

Лам, М. Д., Ротберг, Э. Э., и Вольф, М. Э. (1991). Производительность кеша и оптимизация заблокированных алгоритмов. ACM SIGOPS Опер. Syst. Ред. 25, 63–74. DOI: 10.1145 / 106974.106981

CrossRef Полный текст | Google Scholar

Лангенкемпер Д., Гусманн А. и Натткемпер Т. В. (2014). Ake — ускоренный веб-инструмент исследования k-mer для быстрой таксономической классификации и визуализации. BMC Bioinformatics 15: 384.DOI: 10.1186 / s12859-014-0384-0

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лэнгмид, Б., Трапнелл, К., Поп, М., и Зальцберг, С. Л. (2009). Сверхбыстрое и эффективное с точки зрения памяти выравнивание коротких последовательностей ДНК с геномом человека. Биология генома . 10: R25. DOI: 10.1186 / GB-2009-10-3-r25

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ли, Х., Руан, Дж., И Дурбин, Р. (2008). Картирование считываний коротких последовательностей ДНК и вызова вариантов с использованием показателей качества картирования. Genome Res. 18, 1851–1858. DOI: 10.1101 / gr.078212.108

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ли, Р., Ю, К., Ли, Ю., Лам, Т.-В., Ю, С.-М., Кристиансен, К., и др. (2009). SOAP2: улучшенный сверхбыстрый инструмент для согласования краткого чтения. Биоинформатика 25, 1966–1967. DOI: 10.1093 / биоинформатика / btp336

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ли, Р., Чжу, Х., Жуань, Дж., Цянь, В., Фанг, X., Ши, З. и др. (2010). De novo сборка человеческих геномов с массовым параллельным секвенированием короткого чтения. Genome Res. 20, 265–272. DOI: 10.1101 / gr.097261.109

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лю Ч.-М., Вонг, Т.К.Ф., Ву, Э., Луо, Р., Ю, С.-М., Ли, Й., и др. (2012a). SOAP3: сверхбыстрый инструмент параллельного выравнивания на базе графического процессора для коротких чтений. Биоинформатика 28, 878–879. DOI: 10.1093 / биоинформатика / bts061

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лю, Ю., и Шмидт, Б. (2014). Cushaw2-gpu: расширение возможностей более быстрого выравнивания короткого чтения с промежутками с использованием вычислений на графическом процессоре. Des. Тест IEEE 31, 31–39. DOI: 10.1109 / MDAT.2013.2284198

CrossRef Полный текст | Google Scholar

Лю Ю., Шмидт Б. и Маскелл Д. Л. (2012b). Cushaw: cuda-совместимый выравниватель короткого чтения для больших геномов, основанный на преобразовании Берроуза-Уиллера. Биоинформатика 28, 1830–1837. DOI: 10.1093 / биоинформатика / bts276

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Луо, Р., Wong, T., Zhu, J., Liu, C.-M., Zhu, X., Wu, E., et al. (2013). Soap3-dp: быстрый, точный и чувствительный выравниватель короткого чтения на основе графического процессора. PLoS ONE 8: e65632. DOI: 10.1371 / journal.pone.0065632

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Маргулис М., Эгхолм М., Альтман В. Э., Аттия С., Бадер Дж. С., Бембен Л. А. и др. (2005). Секвенирование генома в микропроцессорных пиколитровых реакторах высокой плотности. Природа 437, 376–380. DOI: 10.1038 / nature03959

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мартин, К., Диаз, Н. Н., Онтруп, Дж., И Натткемпер, Т. В. (2008). Кластеризация признаков фрагментов ДНК на основе гиперболической SOM для таксономической визуализации и классификации. Биоинформатика 24, 1568–1574. DOI: 10.1093 / биоинформатика / btn257

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Макхарди, А. К., Мартин, Х. Г., Циригос, А., Гугенгольц, П., и Ригуцос, И. (2007). Точная филогенетическая классификация фрагментов ДНК переменной длины. Nat. Методы 4, 63–72.DOI: 10.1038 / nmeth976

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Миллер, Дж. Р., Делчер, А. Л., Корен, С., Вентер, Э., Валенц, Б. П., Браунли, А. и др. (2008). Агрессивная сборка ридов пиросеквенирования с товарищами. Биоинформатика 24, 2818–2824. DOI: 10.1093 / биоинформатика / btn548

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Майерс, Э. У., Саттон, Г. Г., Делчер, А. Л., Дью, И. М., Фасуло, Д. П., Флэниган, М.J., et al. (2000). Полногеномная сборка дрозофилы. Наука 287, 2196–2204. DOI: 10.1126 / science.287.5461.2196

PubMed Аннотация | CrossRef Полный текст | Google Scholar

NVIDIA Corporation (2013). Веб-сайт NVIDIA CUDA . Санта-Клара, Калифорния: NVIDIA Corporation.

NVIDIA Corporation (2014). Лист данных семейства NVIDIA Tesla Kepler . Санта-Клара, Калифорния: NVIDIA Corporation.

NVIDIA Corporation (2015). УСКОРИТЕЛЬ ГПУ TESLA K80 .Санта-Клара, Калифорния: NVIDIA Corporation.

Консорциум OpenACC (2013 г.). OpenACC API Specification . Бенд, ИЛИ: Консорциум OpenACC.

Pertsemlidis, A., and Fondon, J. W. (2001). Провести BLAST с биоинформатикой (и избежать BLASTphemy). Биология генома . 2, reviews2002.1 – reviews2002.10. DOI: 10.1186 / GB-2001-2-10-reviews2002

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Раджич, Х., Бробст, Р., Чан, В., Ферстл, Ф., Гардинер Дж., Хаас А. и др. (2004). Спецификация API приложения для управления распределенными ресурсами 1.0 .

Schwartz, S., Kent, W. J., Smit, A., Zhang, Z., Baertsch, R., Hardison, R.C., et al. (2003). Выравнивание человека и мыши с BLASTZ. Genome Res. 13, 103–107. DOI: 10.1101 / gr.809403

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шендуре, Дж., Поррека, Дж. Дж., Реппас, Н. Б., Лин, X., Маккатчеон, Дж. П., Розенбаум, А.М., et al. (2005). Точное мультиплексное секвенирование полонии эволюционировавшего бактериального генома. Наука 309, 1728–1732. DOI: 10.1126 / science.1117389

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Симпсон, Дж., Вонг, К., Джекман, С., Шейн, Дж., Джонс, С., и Бирол, И. (2009). ABySS: параллельный ассемблер для данных короткой последовательности чтения. Genome Res . 19, 1117. doi: 10.1101 / gr.089532.108

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Томпсон, Дж.Д., Линард Б., Лекомпт О., Поч О. (2011). Комплексное эталонное исследование нескольких методов выравнивания последовательностей: текущие проблемы и перспективы на будущее. PLoS ONE 6: e18093. DOI: 10.1371 / journal.pone.0018093

PubMed Аннотация | CrossRef Полный текст | Google Scholar

TimeLogic Division, A. M. I. (2013). Accelerated Blast Performance с Tera-Blast: Сравнение FPGA и реализаций Blast на GPU и CPU. Карлсбад, Калифорния: TimeLogic Division.

Univa Corporation (2013). Веб-сайт Univa Grid Engine . Хоффман Эстейтс, Иллинойс: Univa Corporation.

Verdoolaege, S., Carlos Juega, J., Cohen, A., Ignacio Gómez, J., Tenllado, C., and Catthoor, F. (2013). Генерация многогранного параллельного кода для cuda. ACM Trans. Arch. Код Оптим. , 9, 54. DOI: 10.1145 / 2400682.2400713

CrossRef Полный текст | Google Scholar

Вильярреал, Дж., Парк, А., Наджар, В., и Холстед, Р. (2010). «Проектирование модульных аппаратных ускорителей на c с помощью roccc 2.0 »в 2010 18-й Ежегодный международный симпозиум IEEE по программируемым пользовательским вычислительным машинам (FCCM) (Шарлотт, Северная Каролина: IEEE), 127–134.

Вузис, П. Д., и Сахинидис, Н. В. (2011). Gpu-blast: использование графических процессоров для ускорения выравнивания последовательности белков. Биоинформатика 27, 182–188. DOI: 10.1093 / биоинформатика / btq644

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Уоррен, Р. Л., Саттон, Г. Г., Джонс, С. Дж. М., и Холт, Р.А. (2007). Сборка миллионов коротких последовательностей ДНК с помощью SSAKE. Биоинформатика 23, 500–501. DOI: 10.1093 / биоинформатика / btl629

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ю, А. Б., Джетт, М. А., и Грондона, М. (2003). «Slurm: простая утилита Linux для управления ресурсами», в Стратегии планирования заданий для параллельной обработки , ред. Д. Фейтельсон, Л. Рудольф и У. Швигельсон (Сан-Хосе, Калифорния: Springer), 44–60.