[论文解读] libRoadRunner 2.0: A High-Performance SBML Simulation and Analysis Library

Ciaran Welsh, Jin Xu+4 more|arXiv (Cornell University)|Feb 26, 2022

Gene Regulatory Network Analysis被引用 5

一句话总结

libRoadRunner 2.0 是一个高性能、跨平台的 SBML 模拟库，采用基于 LLVM 的即时编译器（LLJit）加速 SBML 模型的编译与执行。它支持大规模模型集合的快速并行模拟——这对系统生物学应用（如参数优化和多细胞虚拟组织建模）至关重要，相较于之前版本及其他工具，表现出显著的性能提升。

ABSTRACT

Motivation: This paper presents libRoadRunner 2.0, an extensible, high-performance, cross-platform, open-source software library for the simulation and analysis of models expressed using Systems Biology Markup Language SBML). Results: libRoadRunner is a self-contained library, able to run both as a component inside other tools via its C++ and C bindings, and interactively through its Python or Julia interface. libRoadRunner uses a custom Just-In-Time JIT compiler built on the widely-used LLVM JIT compiler framework. It compiles SBML-specified models directly into native machine code for a large variety of processors, making it appropriate for solving extremely large models or repeated runs. libRoadRunner is flexible, supporting the bulk of the SBML specification (except for delay and nonlinear algebraic equations) and including several SBML extensions such as composition and distributions. It offers multiple deterministic and stochastic integrators, as well as tools for steady-state, sensitivity, stability analysis, and structural analysis of the stoichiometric matrix. Availability: libRoadRunner binary distributions are available for Mac OS X, Linux, and Windows. The library is licensed under the Apache License Version 2.0. libRoadRunner is also available for ARM-based computers such as the Raspberry Pi and can in principle be compiled on any system supported by LLVM-13. http://sys-bio.github.io/roadrunner/index.html provides online documentation, full build instructions, binaries, and a git source repository.

研究动机与目标

• 解决在集合与优化工作流中大规模 SBML 模型编译与模拟的性能瓶颈。
• 提升单个及多个模型的编译速度，以减少高通量模拟中的运行时开销。
• 通过引入新的抽象（如 RoadRunnerMap）和与 Python 多进程的集成，实现多个 SBML 模型的高效并行执行。
• 通过新增稳态求解器、时间序列敏感性分析以及直接访问模型拓扑结构的功能，扩展功能。
• 同时支持交互式建模与作为可重用库在更大软件生态系统中的集成，服务于研究人员和工具开发者。

提出的方法

• 使用 LLVM 的 ORC JIT v2 API 实现新的即时编译器 LLJit，以加快 SBML 模型编译为原生机器代码的速度。
• 利用 LLVM 中间表示（IR）将 SBML 模型转换为低级代码，并在运行时直接编译为机器代码。
• 引入 RoadRunnerMap —— 一种容器抽象，通过 Python 的 multiprocessing 或自定义并行策略，协调多个模型的并行编译与模拟。
• 通过低级 API 直接暴露模型拓扑和参数，实现在不修改 SBML 源文件的情况下进行运行时检查与修改。
• 支持多种数值积分器（确定性和随机性）、敏感性分析以及化学计量矩阵的结构性分析。
• 提供多语言接口（C++、C、Python、Julia），并完全兼容 Windows、macOS、Linux 和基于 ARM 的系统（如 Raspberry Pi）。

实验结果

研究问题

• RQ1 与之前的基于 MCJit 的实现相比，新的 JIT 编译器 LLJit 是否能显著减少 SBML 模型的编译时间？
• RQ2 通过 RoadRunnerMap 或 Python 的 multiprocessing 实现的并行模型编译，在大规模 SBML 模拟工作负载中能在多大程度上提升性能？
• RQ3 在模拟数千个 SBML 模型时，libRoadRunner 2.0 的性能与 libRoadRunner v1.6.1 及其他工具（如 COPASI）相比如何？
• RQ4 libRoadRunner 2.0 中新增的功能（如敏感性分析和稳态求解器）是否能在参数优化和模型集合研究中有效应用？
• RQ5 libRoadRunner 2.0 在多大程度上能够支持高性能、大规模的系统生物学应用，如虚拟组织建模和高维参数空间探索？

主要发现

• LLJit 相较于之前的 MCJit 编译器显著减少了模型编译时间，从而加快了单个模型的初始化速度。
• RoadRunnerMap 容器实现了多个 SBML 模型的高效并行编译与模拟，显著降低了多模型工作负载的总运行时间。
• 在从精心筛选的 BioModels 数据库中模拟 1,036 个模型时，使用 LLJit 和并行执行（12 个线程）的 libRoadRunner 2.0 表现出比 libRoadRunner v1.6.1 或 COPASI 更快的平均性能。
• 使用 Python 的 multiprocessing.Pool 与 RoadRunnerMap 配合，性能优于串行执行，并在基准测试中达到或超过直接并行化的性能。
• libRoadRunner 2.0 支持广泛的 SBML 功能，包括组合与分布，同时提供对敏感性分析和结构性分析等高级分析工具的访问。
• 该库原生支持基于 ARM 的系统（如 Raspberry Pi），扩展了其在边缘计算和嵌入式计算环境中的可用性。