Implementación en GPU del Estadístico t para análisis de expresión genética en microarreglos

• Autores: Eduardo Romero Vivas, Fernando Von Borstel Luna, Isaac Villa Medina
• Localización: Acta Universitaria, ISSN-e 2007-9621, ISSN 0188-6266, Vol. 22, Nº. 6, 2012, págs. 23-30
• Idioma: español
• Enlaces
  • Texto completo
• Resumen
  • español

    Introducción: Los microarreglos de ADN son utilizados para analizar simultáneamente el nivel de expresión de genes bajo múltiples condiciones; sin embargo, la masiva cantidad de datos generados hacen que su análisis sea un candidato ideal para su procesamiento en paralelo. La utilización de Unidades de Procesamiento Gráfico de Propósito General (GPGPU) es una alternativa eficiente y de bajo costo, comparada contra aplicaciones que utilizan CPUs. Objetivo: Implementación de algoritmos basados en la Arquitectura de Dispositivos de Cómputo Unificado (CUDA) para determinar la significancia estadística en la evaluación de los niveles de expresión de genes en microarreglos. Método: Análisis paramétrico t-pareado desarrollado en CUDA. Resultados: La evaluación utilizando la implementación en CUDA es 5 a 30 veces más rápida que la implementación en CPU, dependiendo del número de genes a ser evaluados. Conclusiones: Los resultados son comparados contra las implementaciones tradicionales en CPU; se proponen mejoras.

  • English

    Introduction: DNA microarrays are used to analyze simultaneously the expression level of thousands of genes under multiple conditions; however, massive amount of data is generated making its analysis a challenge and an ideal candidate for massive parallel processing. Among the available technologies, the use of General Purpose Computation on Graphics Processing Units (GPGPU) is an efficient cost-effective alternative, compared to a Central Processing Unit (CPU). Objective: This paper presents the implementation of algorithms using Compute Unified Device Architecture (CUDA) to determine statistical significance in the evaluation of gene expression levels for microarray hybridization. Method: A t-paired parametric analysis using a GPU implementation developed in CUDA. Results: The gene expression evaluation using the GPU implementation is 5 to 30 times faster than a CPU implementation, depending on the number of genes to be evaluated. Conclusions: The results with respect to traditional implementations are compared, and further improvements are discussed.