[論文レビュー] Binary Interval Search (BITS): A Scalable Algorithm for Counting Interval Intersections

Ryan M. Layer, Kevin Skadron+3 more|arXiv (Cornell University)|Aug 16, 2012

Software Testing and Debugging Techniques参考文献 7被引用数 4

ひとこと要約

BITSは、2つの二分探索を用いて、Θ(N log N)時間で重複度を効率的に計算する、新規でスケーラブルなアルゴリズムであり、既存のツールを上回る性能を発揮する。このアルゴリズムは本質的に並列化可能であり、大規模なゲノムデータセットにおける統計的有意性のテストに、GPUアクセceleratedなモンテカルロシミュレーションを効率的に行うことを可能にする。

ABSTRACT

Motivation: The comparison of diverse genomic datasets is fundamental to understanding genome biology. Researchers must explore many large datasets of genome intervals (e.g., genes, sequence alignments) to place their experimental results in a broader context and to make new discoveries. Relationships between genomic datasets are typically measured by identifying intervals that intersect: that is, they overlap and thus share a common genome interval. Given the continued advances in DNA sequencing technologies, efficient methods for measuring statistically significant relationships between many sets of genomic features is crucial for future discovery. Results: We introduce the Binary Interval Search (BITS) algorithm, a novel and scalable approach to interval set intersection. We demonstrate that BITS outperforms existing methods at counting interval intersections. Moreover, we show that BITS is intrinsically suited to parallel computing architectures such as Graphics Processing Units (GPUs) by illustrating its utility for efficient Monte-Carlo simulations measuring the significance of relationships between sets of genomic intervals.

研究の動機と目的

• 高スループットシーケンシングから得られる数百億個のゲノム領域を解析するという、急速に拡大する計算課題に対処する。
• 逐次実行および並列実行の両方において、既存の手法を上回る性能を発揮する、スケーラブルな領域の重複数のカウントアルゴリズムを開発する。
• 大規模なゲノムデータセット上で、モンテカルロシミュレーションを用いて領域関係の統計的有意性を効率的にテストすることを可能にする。
• GPUなどの並列アーキテクチャに本質的に適したアルゴリズムを設計し、大規模なゲノムワークロードの高速化を実現する。
• 多様なゲノム特徴（例：転写因子、エピジェネティックマーカー）間の機能的関係を、バイアスのない高スループットスクリーニングで可能にする。

提案手法

• すべてのペアを列挙せずに直接重複数を計算するために、領域の開始座標および終了座標の両方の二分探索を適用する。
• 領域をソートし、二分探索を活用して非重複領域を効率的に除外する分割統治戦略を採用する。
• 要素の一意性問題への還元によって証明されたように、問題を一連の二分探索に還元することで、Θ(N log N)の時間計算量を達成する。
• 作業効率が良く、負荷が均等になるように設計し、GPU上での高性能実行に向けたスレッド分岐の最小化を図る。
• 並列スレッドが領域セット全体に対して独立して二分探索を実行できるように最適化されたGPU版（BITS-CUDA）を実装する。
• モンテカルロシミュレーションにBITSを統合し、観測された領域の重複をランダム化された帰無分布と比較して統計的有意性を評価する。

実験結果

リサーチクエスチョン

• RQ1 大規模なゲノムデータセットにおいて、二分探索に基づくアプローチが、既存の列挙ベースの手法を上回る性能を発揮できるか？
• RQ2 BITSアルゴリズムは、大規模なゲノムワークロードにおいて、GPUアーキテクチャでどれほど並列化可能で効率的か？
• RQ3 BEDTools や UCSC ツールといった既存のツールと比較して、BITSのパフォーマンス（速度およびスケーラビリティ）はどの程度優れているか？
• RQ4 BITSは、複数の細胞タイプにわたる多様なゲノム特徴間の機能的関係を、大規模かつバイアスのないスクリーニングで実現可能か？
• RQ5 BITSを用いた高スループットで統計的に厳密な領域重複解析を通じて、ゲノム生物学にどのような新たな知見が得られるか？

主な発見

• BITSの逐次版は、大規模データセットにおける領域の重複数のカウントにおいて、BEDTools や UCSC ツールといった既存のツールを上回る性能を発揮する。
• BITSは、要素の一意性問題への還元によって証明されたように、Θ(N log N)の時間計算量を達成しており、領域の重複数のカウント問題に対して最適である。
• このアルゴリズムはGPU並列処理に本質的に適しており、スレッド分岐が最小限で、性能のオーバーヘッドがなく、高度に並列化されたアーキテクチャでも効率的な実行が可能である。
• 1枚のGPUで実行したBITS-CUDAは、40億個の領域と44兆以上の比較を含む10,000回のモンテカルロシミュレーションを6日未満（9,069分）で完了した。
• 同様の解析を従来のツールを用いて通常のCPUで実行するには少なくとも112台のCPUが必要であり、BITS-CUDAでは100倍以上のパフォーマンス向上が達成された。
• ENCODEデータへのBITSの適用により、転写因子結合部位の広範な豊富さや、セグメンテーション二重化との中でも予期しない関連性が明らかになり、新規なゲノム的関係の解明に有効であることが示された。