[论文解读] 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 4

一句话总结

BITS 是一种新颖且可扩展的算法，通过两次二分查找高效计算基因组区间交集数量，时间复杂度为 Θ(N log N)，显著优于现有工具。该算法天然支持并行计算，可实现高度高效的 GPU 加速蒙特卡洛模拟，用于大规模基因组数据集的统计显著性检验。

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.

研究动机与目标

• 应对高通量测序产生的数百亿个基因组区间分析所带来的日益增长的计算挑战。
• 开发一种可扩展的区间交集计数算法，在串行和并行执行中均优于现有方法。
• 通过在大规模基因组数据集上使用蒙特卡洛模拟，实现高效统计显著性检验。
• 设计一种天然适用于 GPU 等并行架构的算法，以加速大规模基因组工作负载。
• 实现对多种基因组特征（如转录因子、表观遗传标记）之间功能关系的无偏、高通量筛选。

提出的方法

• 对区间起始坐标和终止坐标分别应用两次二分查找，直接计算交集数量，无需枚举所有配对。
• 基于排序区间并利用二分查找排除非重叠区间的分治策略，高效排除非重叠区间。
• 通过将问题简化为一系列二分查找，实现 Θ(N log N) 的时间复杂度，其最优性已通过归约至元素唯一性问题得到证明。
• 设计算法时注重工作高效性和负载均衡，最小化线程分支差异，以实现在 GPU 上的高性能执行。
• 实现 GPU 优化版本（BITS-CUDA），利用并行线程在区间集合上独立执行二分查找。
• 将 BITS 集成至蒙特卡洛模拟中，将观察到的区间交集与随机化的零分布进行比较，以评估统计显著性。

实验结果

研究问题

• RQ1 基于二分查找的方法是否能在大规模基因组数据集的区间交集计数中超越现有基于枚举的方法？
• RQ2 BITS 算法在 GPU 架构上对大规模基因组工作负载的可并行化程度和效率如何？
• RQ3 与 BEDTools 和 UCSC 工具等成熟工具相比，BITS 在速度和可扩展性方面表现如何？
• RQ4 BITS 是否能够实现可行的大规模、无偏筛查，以揭示多种细胞类型中不同基因组特征之间的功能关系？
• RQ5 通过使用 BITS 进行高通量、统计严谨的区间交集分析，能够揭示哪些关于基因组生物学的洞见？

主要发现

• BITS 的串行版本在大规模数据集上的区间交集计数中优于现有工具（如 BEDTools 和 UCSC 工具）。
• BITS 实现了 Θ(N log N) 的时间复杂度，这是区间交集计数问题的最优复杂度，其最优性已通过归约至元素唯一性问题得到证明。
• 该算法天然适合 GPU 并行化，线程分支极少，无性能开销，可在高度并行的架构上高效执行。
• 单个 GPU 运行 BITS-CUDA 在不到 6 天（9,069 分钟）内完成了一项包含 40 亿个区间和超过 44 万亿次比较的 10,000 次迭代蒙特卡洛模拟。
• 相同分析若使用传统工具和常规方法，至少需要 112 个 CPU，表明 BITS-CUDA 实现了超过 100 倍的性能提升。
• 将 BITS 应用于 ENCODE 数据揭示了具有生物学意义的模式，包括转录因子结合位点的广泛富集，以及与片段重复的意外关联，凸显其在发现新型基因组关系方面的实用性。