[论文解读] GRIM-filter: fast seed filtering in read mapping using emerging memory technologies

Jeremie S. Kim, Damla Senol+8 more|arXiv (Cornell University)|Aug 14, 2017

Genomics and Phylogenetic Studies参考文献 27被引用 17

一句话总结

GRIM-Filter 是一种新颖的种子过滤算法，利用三维堆叠内存的存内计算（PIM）能力来加速DNA序列比对。通过采用粗粒度的基因组片段表示以及大规模并行的存内位向量操作，它将误阴性率降低了5.59倍至6.41倍，并在5%错误阈值下，相较于最先进的mapper如mrFAST与FastHASH，实现了1.81倍至3.65倍的端到端加速。

ABSTRACT

Motivation: Seed filtering is critical in DNA read mapping, a process where billions of DNA fragments (reads) sampled from a donor are mapped onto a reference genome to identify genomic variants of the donor. Read mappers 1) quickly generate possible mapping locations (i.e., seeds) for each read, 2) extract reference sequences at each of the mapping locations, and then 3) check similarity between each read and its associated reference sequences with a computationally expensive dynamic programming algorithm (alignment) to determine the origin of the read. Location filters come into play before alignment, discarding seed locations that alignment would have deemed a poor match. The ideal location filter would discard all poor matching locations prior to alignment such that there is no wasted computation on poor alignments. Results: We propose a novel filtering algorithm, GRIM-Filter, optimized to exploit emerging 3D-stacked memory systems that integrate computation within a stacked logic layer, enabling processing-in-memory (PIM). GRIM-Filter quickly filters locations by 1) introducing a new representation of coarse-grained segments of the reference genome and 2) using massively-parallel in-memory operations to identify read presence within each coarse-grained segment. Our evaluations show that for 5% error acceptance rates, GRIM-Filter eliminates 5.59x-6.41x more false negatives and exhibits end-to-end speedups of 1.81x-3.65x compared to mappers employing the best previous filtering algorithm.

研究动机与目标

• 为解决读取比对中日益严重的内存带宽瓶颈问题，该瓶颈已因采用种子过滤而从比对阶段转移至过滤阶段。
• 设计一种能高效利用新兴三维堆叠DRAM技术的高内部带宽和存内计算能力的过滤算法。
• 通过在昂贵的动态规划步骤之前快速丢弃不可行的比对位置，最小化不必要的比对计算。
• 开发一种通用且高性能的过滤器，兼容任何基于种子-扩展的读取比对器，特别是基于哈希表的比对器。
• 证明针对新兴内存架构量身定制的算法创新可显著加速生物信息学工作负载。

提出的方法

• GRIM-Filter 将参考基因组表示为粗粒度的片段，每个片段关联一个预先计算的位向量，用于指示小段读取序列的存在情况。
• 它利用三维堆叠DRAM上的大规模并行存内操作，统计每个基因组片段中包含读取序列片段的数量。
• 如果片段计数低于阈值，则将对应比对位置判定为匹配不佳并予以丢弃，从而避免后续的比对计算。
• 该算法针对存内计算（PIM）工作负载进行了优化，最大限度减少数据移动，并充分利用三维堆叠内存的高内部带宽。
• 位向量表示支持在内存层直接进行高效、并行的比较操作，从而降低计算延迟。
• 该方法与现有过滤器和比对器正交，可与其他优化技术组合使用，实现进一步的性能提升。

实验结果

研究问题

• RQ1 能否设计一种种子过滤算法，以充分利用三维堆叠DRAM的高带宽和存内计算能力？
• RQ2 与现有过滤器相比，此类算法在保持高过滤速度的同时，能在多大程度上减少误阴性？
• RQ3 通过用PIM优化的算法替代传统过滤方法，可在端到端读取比对中实现多大程度的性能提升？
• RQ4 所提出的过滤方法是否普遍适用于不同读取比对器和数据集？
• RQ5 通过算法与硬件协同设计，能否有效克服种子过滤中的内存带宽瓶颈？

主要发现

• 在5%错误阈值下，GRIM-Filter 相较于FastHASH，将误阴性率降低了5.59倍至6.41倍，显著提升了敏感性。
• 在多个基准测试中，GRIM-Filter 相较于使用FastHASH的mrFAST（此前最快的mapper），实现了1.81倍至3.65倍的端到端加速。
• 该算法平均将误阴性位置的计算时间减少了83.7%，最大限度减少了浪费的比对计算量。
• 随着错误阈值提高，性能增益进一步提升，这是由于过滤效率更高，其中在5%阈值下增益最大。
• GRIM-Filter 兼容任何读取比对器，可与其它硬件优化组件结合使用，实现进一步加速。
• 本研究证明，针对新兴内存技术（如三维堆叠DRAM）量身定制的算法设计，可有效克服生物信息学工作负载中的内存带宽瓶颈。