 visitant ::
identificació
|
|||||||||||||||
|
Cerca | Lliura | Ajuda | Servei de Biblioteques | Sobre el DDD | Català English Español | |||||||||
| Pàgina inicial > Articles > Articles publicats > WFA-GPU: Gap-affine pairwise read-alignment using GPUs |
(Universitat Autònoma de Barcelona. Departament d'Arquitectura de Computadors i Sistemes Operatius) (Universitat Autònoma de Barcelona. Departament d'Arquitectura de Computadors i Sistemes Operatius) (Universitat Autònoma de Barcelona. Departament d'Arquitectura de Computadors i Sistemes Operatius) (Universitat Politècnica de Catalunya. Departament d'Arquitectura de Computadors) (Universitat Politècnica de Catalunya. Departament d'Arquitectura de Computadors)
| Data: | 2023 |
| Resum: | Advances in genomics and sequencing technologies demand faster and more scalable analysis methods that can process longer sequences with higher accuracy. However, classical pairwise alignment methods, based on dynamic programming (DP), impose impractical computational requirements to align long and noisy sequences like those produced by PacBio and Nanopore technologies. The recently proposed wavefront alignment (WFA) algorithm paves the way for more efficient alignment tools, improving time and memory complexity over previous methods. However, high-performance computing (HPC) platforms require efficient parallel algorithms and tools to exploit the computing resources available on modern accelerator-based architectures. This paper presents WFA-GPU, a GPU (graphics processing unit)-accelerated tool to compute exact gap-affine alignments based on the WFA algorithm. We present the algorithmic adaptations and performance optimizations that allow exploiting the massively parallel capabilities of modern GPU devices to accelerate the alignment computations. In particular, we propose a CPU-GPU co-design capable of performing inter-sequence and intra-sequence parallel sequence alignment, combining a succinct WFA-data representation with an efficient GPU implementation. As a result, we demonstrate that our implementation outperforms the original multi-threaded WFA implementation by up to 4. 3× and up to 18. 2× when using heuristic methods on long and noisy sequences. Compared to other state-of-the-art tools and libraries, the WFA-GPU is up to 29× faster than other GPU implementations and up to four orders of magnitude faster than other CPU implementations. Furthermore, WFA-GPU is the only GPU solution capable of correctly aligning long reads using a commodity GPU. WFA-GPU code and documentation are publicly available at https://github. com/quim0/WFA-GPU. |
| Ajuts: | Agencia Estatal de Investigación PID2020-113614RB-C21 Ministerio de Economía y Competitividad TIN2015-65316-P Agencia Estatal de Investigación TED2021-132634A-I00 Agència de Gestió d'Ajuts Universitaris i de Recerca 2021/SGR-00574 Agència de Gestió d'Ajuts Universitaris i de Recerca 2017/SGR-1328 Agència de Gestió d'Ajuts Universitaris i de Recerca 2017/SGR-313 Agència de Gestió d'Ajuts Universitaris i de Recerca 2017/SGR-1414 Agencia Estatal de Investigación RYC-2016-21104 Agencia Estatal de Investigación IJC2020-045916-I Ministerio de Ciencia e Innovación PRE2021-101059 |
| Drets: | Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.  |
| Llengua: | Anglès |
| Document: | Article ; recerca ; Versió publicada |
| Publicat a: | Bioinformatics, Vol. 39, Issue 12 (December 2023) , art. btad701, ISSN 1367-4811 |
