[논문 리뷰] SW# - GPU enabled exact alignments on genome scale

Matija Korpar, Mile Šikić|arXiv (Cornell University)|2013. 04. 22.

Genomics and Phylogenetic Studies참고 문헌 14인용 수 4

한 줄 요약

SW#는 전체 게놈 스케일에서 약어 간격 페널티 모델을 사용하는 국소 서열 정렬을 위한 CUDA 가속화되고 메모리 효율적인 구현을 제공한다. 긴 서열에 대해 CPU 기반 구현 대비 최소 300배의 속도 향상을 달성하여, 공개적으로 이용 가능한 GPU 구현에서 처음으로 정확하고 고정밀도의 정렬을 게놈 전체 스케일에서 가능하게 한다.

ABSTRACT

Sequence alignment is one of the oldest and the most famous problems in bioinformatics. Even after 45 years, for one reason or another, this problem is still actual; current solutions are trade-offs between execution time, memory consumption and accuracy. We purpose SW#, a new CUDA GPU enabled and memory efficient implementation of dynamic programming algorithms for local alignment. In this implementation indels are treated using the affine gap model. Although there are other GPU implementations of the Smith-Waterman algorithm, SW# is the only publicly available implementation that can produce sequence alignments on genome-wide scale. For long sequences, our implementation is at least a few hundred times faster than a CPU version of the same algorithm.

연구 동기 및 목표

• 서열 정렬 알고리즘에서 속도, 메모리 사용량, 정확도의 균형을 유지하는 데 지속적인 과제를 해결하기 위해.
• GPU 가속화를 통해 전체 게놈 서열에서 정확한 국소 정렬을 가능하게 하기 위해.
• 약어 간격 페널티를 적용한 공개 가능한, 메모리 효율적인 Smith-Waterman 알고리즘의 구현을 제공하기 위해.
• 기존 GPU 구현이 게놈 전체 정렬 작업으로 확장되지 못하는 한계를 극복하기 위해.

제안 방법

• 구현은 CUDA를 사용하여 GPU 하드웨어에서 Smith-Waterman 알고리즘의 동적 프rogram밍 계산을 병렬화한다.
• 삽입/삭제 페널티를 위해 약어 간격 모델을 적용하여 생물학적으로 정확한 정렬 스코어링을 보장한다.
• 메모리 효율성은 큰 서열 쌍을 관리하기 위해 최적화된 메모리 접근 패턴과 타일링 기법을 통해 달성된다.
• 정확성을 유지하면서도 처리 가능한 블록 단위로 처리함으로써 임의의 길이의 서열을 다룰 수 있도록 알고리즘을 설계하였다.
• GPU 점유율을 극대화하고 스레드 분열을 최소화하기 위해 커널 실행을 최적화하였다.
• 구현은 오픈소스로 공개되었으며, 더 큰 생물정보학 파이프라인에의 통합을 위해 설계되었다.

실험 결과

연구 질문

• RQ1 GPU 가속화된 Smith-Waterman 구현은 수용 가능한 메모리 사용량을 유지하면서 전체 게놈 스케일에서 정확한 정렬을 달성할 수 있는가?
• RQ2 긴 게놈 서열에 대해 GPU 기반 구현의 성능은 CPU 버전과 비교해 어떻게 되는가?
• RQ3 약어 간격 모델은 속도나 정확도를 희생시키지 않고 GPU 가속화된 동적 프로그래밍 프레임워크에 효율적으로 통합될 수 있는가?
• RQ4 공개 가능하고 메모리 효율적이며 확장 가능한 GPU 구현을 통해 전체 게놈 스케일 데이터에 대한 Smith-Waterman 알고리즘을 구현하는 것은 가능한가?
• RQ5 대규모 서열 정렬에 대해 GPU 구현이 CPU 기반 대비 달성할 수 있는 최대 속도 향상은 얼마인가?

주요 결과

• SW#는 긴 게놈 서열에 대해 CPU 구현 대비 최소 300배의 속도 향상을 달성한다.
• 이 구현은 공개적으로 이용 가능한 GPU 가속화된 Smith-Waterman 도구 중에서 처음으로 전체 게놈 스케일에서 정확한 정렬을 생성할 수 있다.
• 최적화된 메모리 접근과 타일링 덕분에 메모리 사용이 크게 감소하여 큰 서열로의 확장성이 향상되었다.
• 약어 간격 모델의 사용은 높은 성능을 유지하면서도 생물학적으로 정확한 정렬 스코어링을 보장한다.
• 높은 GPU 점유율과 효율적인 커널 실행이 입증되어 대규모 데이터셋에서의 지속적인 성능 향상에 기여한다.
• 도구는 오픈소스로 공개되었으며, 생물정보학 워크플로우에 실용적으로 통합될 수 있도록 설계되었다.