Otimização de busca por SNPs baseada em máscaras por meio de unidade de processamento gráfico (GPU)

• Ano de defesa: 2020
• Autor(a) principal: Cruz, Álvaro Magri Nogueira da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Bioinformática; Busca por padrões; SNPs; GPU; Otimização; Bioinformatics; Pattern search; Optimization
• Link de acesso: http://hdl.handle.net/11449/193812

Dentre os problemas que a bioinformática procura soluções factíveis está a busca por Polimorfismo de Nucleotídeo Simples (SNP, sigla em inglês). A detecção desse fenômeno em sequências de nucleotídeos é fundamental para possíveis inferências acerca de doenças e respostas a tratamentos, além de predições a susceptibilidade. A busca mostra-se eficiente quando trata-se de arquivos .ab1 que são provenientes de sequenciamento tipo Sanger. No entanto, no que se refere aos sequenciadores de nova geração (NGS, sigla em inglês) essa estratégia apresenta deficiências em relação ao tempo de processamento, visto que os arquivos gerados por este chegam a milhões de sequências. Algumas abordagens podem ser utilizadas a fim de amenizar esta deficiência por meio de hardwares paralelos. O paradigma multithread pode ser utilizado com o intuito de melhorar o desempenho do algoritmo, no entanto não se faz rápido o suficiente quando trata-se de um grande número de sequências. A Unidade de Processamento Gráfico (GPU, sigla em inglês) é uma alternativa, dado que esta opera com múltiplas unidades lógicas aritméticas, até milhares de unidades, bem diferente de um processador que opera com não mais do que uma dezena de unidades. A GPU torna-se mais viável, dado seu custo-benefício e características que são adequadas à resolução do problema em questão. Logo, o objetivo deste trabalho foi desenvolver um método para a busca de SNPs em arquivos NGS, com base em programação paralela com o uso de GPU. Dessa forma, foi possível observar o quão inviável torna-se a aplicação de CPU para processamento altamente paralelizável e com grande volume de dados genéticos. Em suma, foi possível obter um speedup de 5.176,86, ou seja, uma execução de 1,91 dias ora obtida por CPU, nesta proposta com GPU foi performada em 48,47 segundos.