Analysis of Genetic Expression with Microarrays using GPU Implemented Algorithms
Análisis de expresión genética en microarreglos utilizando algoritmos implementados en GPU
Eduardo Romero-Vivas1, Fernando D. Von Borstel1, and Isaac Villa-Medina1,2
1 Centro de Investigaciones Biológicas del Noroeste S.C., Instituto Politécnico Nacional, La Paz, B.C.S., Mexico. fborstel04@cibnor.mx, http://cibnor.mx/es/investigacion/grupos-de-investigacion/grupo-de-bioinformatica/inicio
]]> 2 Instituto Tecnológico de La Paz, B.C.S., Mexico.
Article received on 14/02/2013;
accepted on 22/07/2013.
Abstract
DNA microarrays are used to simultaneously analyze the expression level of thousands of genes under multiple conditions; however, massive amount of data is generated making its analysis a challenge and an ideal candidate for massive parallel processing. Among the available technologies, the use of General Purpose computation on Graphics Processing Units (GPGPU) is an efficient cost-effective alternative, compared to a Central Processing Unit (CPU). This paper presents an implementation of algorithms using Compute Unified Device Architecture (CUDA) to determine statistical significance in the evaluation of gene expression levels for a microarray hybridization experiment designed and carried out at the Centro de Investigaciones Biológicas del Noroeste S.C. (CIBNOR). The obtained results are compared to traditional implementations.
Keywords: GPU, microarray, CUDA.
Resumen
]]> Los microarreglos de ADN permiten analizar simultáneamente el nivel de expresión de miles de genes ante condiciones múltiples; sin embargo, la gran cantidad de datos generados representa un reto para su análisis y los hace un candidato ideal para el procesamiento masivo paralelo. Dentro de las tecnologías disponibles, el uso de cómputo en tarjetas gráficas de propósito general (GPGPU), es una alternativa eficiente, en términos de costo-efectividad, comparada con respecto a las unidades de procesamiento central (CPU). Este artículo presenta la implementación de algoritmos utilizando la arquitectura de cómputo unificada (CUDA), para determinar la significancia estadística en la evaluación de niveles de expresión génica para un experimento de hibridación de microarreglos, diseñado y llevado a cabo en el Centro de Investigaciones Biológicas del Noroeste, S.C. (CIBNOR). Los resultados obtenidos se comparan con respecto a las implementaciones tradicionales.Palabras clave: GPU, microarreglos, CUDA.
DESCARGAR ARTÍCULO EN FORMATO PDF
Acknowledgements
The authors acknowledge the support of the project SAGARPA-CONACYT 2009-II entitled "Functional Genomics application as a strategy for improvement of the shrimp industry". This research was made in the facilities of CIBNOR Bioinformatics Laboratory.
References
1. Sboner, A., Mu, X.J., Greenbaum, D., Auerbach, R.K., & Gerstein, M.B. (2011). The real cost of sequencing: higher than you think!. Genome Biology, 12, 125-135. http://genomebiology.com/ 2011/12/8/125. [ Links ]
2. NVIDIA (2013). Retrieved from http://developer.nvidia.com/object/cuda.html. [ Links ]
3. Sanders, J. & Kandrot, E. (2010). CUDA by example: An introduction to General-Purpose GPU Programming. Upper Saddle River, NJ: Addison-Wesley. [ Links ]
4. Kirk D.B. & Hwu, W.W. (2010). Programming massively parallel processors. A hands-on approach. Burlington, MA: Morgan Kaufmann Publishers. [ Links ]
5. Benso, A., Di Carlo, S., Politano G., & Savino, A. (2010). GPU acceleration for statistical gene classification, 2010 IEEE International Conference on Automation Quality and Testing Robotics (AQTR 2010), 2, 1-6, Cluj-Napoca Romania. [ Links ]
6. Stekel, D. (2003). Microarray bioinformatics. Cambridge; New York: Cambridge University Press. [ Links ]
]]>