[论文解读] SW# - GPU enabled exact alignments on genome scale

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

Genomics and Phylogenetic Studies参考文献 14被引用 4

一句话总结

SW# 提供了一种基于 CUDA 加速、内存高效的 Smith-Waterman 算法实现，用于在全基因组尺度上进行局部序列比对，采用仿射缺口惩罚模型。对于长序列，其速度相比基于 CPU 的实现至少提升了 300 倍，首次在公开可用的 GPU 实现中使全基因组尺度上的精确、高精度比对成为可能。

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.

研究动机与目标

• 为解决序列比对算法中速度、内存使用与精度之间持续存在的平衡挑战。
• 通过 GPU 加速实现在全基因组序列上的精确局部比对。
• 提供一种公开可用、内存高效的 Smith-Waterman 算法实现，支持仿射缺口惩罚模型。
• 克服现有 GPU 实现无法扩展至全基因组比对任务的局限性。

提出的方法

• 通过 CUDA 将 Smith-Waterman 算法的动态规划计算在 GPU 硬件上并行化。
• 采用仿射缺口模型处理插入/缺失惩罚，确保生物学上准确的比对评分。
• 通过优化的内存访问模式和分块技术实现内存效率，以管理大规模序列对。
• 通过分块处理任意长度的序列，同时保持算法正确性，实现对长序列的结构化处理。
• 通过优化内核启动策略，最大化 GPU 占用率并最小化线程分歧。
• 实现代码开源，并设计为可集成至更大的生物信息学工作流中。

实验结果

研究问题

• RQ1 基于 GPU 加速的 Smith-Waterman 实现能否在可接受的内存使用下，实现全基因组尺度的精确比对？
• RQ2 对于长基因组序列，基于 GPU 的实现与 CPU 版本相比性能如何？
• RQ3 能否在不牺牲速度或精度的前提下，将仿射缺口模型高效集成到 GPU 加速的动态规划框架中？
• RQ4 是否可行提供一种公开可用、内存高效且可扩展的 GPU 实现，用于全基因组尺度数据的 Smith-Waterman 算法？
• RQ5 对于大规模序列比对，GPU 实现相比 CPU 对应版本的最大可实现加速比是多少？

主要发现

• SW# 在长基因组序列上相比 CPU 实现至少实现了 300 倍的加速。
• 该实现是首个公开可用的、能够实现全基因组尺度精确比对的 GPU 加速 Smith-Waterman 工具。
• 通过优化内存访问和分块技术，显著降低了内存使用，实现了对大序列的可扩展性。
• 采用仿射缺口模型确保了生物学上准确的比对评分，同时保持了高性能。
• 实现展示了高 GPU 占用率和高效的内核执行，这对大规模数据集的持续性能至关重要。
• 该工具已开源，并设计为可实际集成到生物信息学工作流中。