MARC

 008250123s2024        us                              c    eng  d
■001000017163667
■00520250211152738
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384472612
■035    ▼a(MiAaPQ)AAI31491580
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aXu,  Weihong.
■24510▼aHigh-Performance  Software  and  Hardware  Designs  for  Genomics  and  Proteomics
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a157  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Rosing,  Tajana  Simunic.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aGenomics  and  proteomics  are  at  the  forefront  of  innovations  in  precision  medicine  and  drug  discovery.  However,  the  rapid  data  expansion  in  these  fields  presents  significant  computational  challenges,  emphasizing  the  need  for  more  efficient  algorithm  and  hardware  designs.  Current  research  overlooks  systematic  acceleration  from  both  software  and  hardware  aspects.  This  dissertation  bridges  these  gaps  by  presenting  high-performance  designs  that  enhance  the  efficiency,  accuracy,  and  scalability  of  data  analysis  in  genomics  and  proteomics.Genome  alignment  is  crucial  for  evaluating  sequence  similarity  in  genomics,  but  existing  solutions  are  hindered  by  high  memory  footprints  and  computational  complexity.  To  address  these  challenges,  this  thesis  introduces  RAPIDx,  an  algorithm  and  hardware  co-design  that  enhances  the  efficiency  and  throughput  of  genome  alignment.  RAPIDx  leverages  Processing-in-Memory  (PIM)  techniques  for  in-situ  computation,  significantly  boosting  energy  efficiency.  It  also  employs  an  adaptive  banded  alignment  algorithm  tailored  for  ReRAM-based  PIM  architectures,  reducing  computational  complexity  and  memory  requirements  while  maintaining  high  accuracy.  The  proposed  PIM  architecture  achieves  up  to  131.1x  and  46.8x  throughput  improvement  over  the  state-of-the-art  CPU  and  GPU  implementations,  respectively.RAPIDx  delivers  high  accuracy  across  various  genome  analysis  tasks,  but  its  substantial  memory  consumption  makes  it  unsuitable  for  latency-sensitive  scenarios  or  resource-constrained  hardware.  To  address  these  limitations,  this  thesis  proposes  HyperGen,  a  memory-efficient  genome  sketching  tool  that  eliminates  the  need  for  the  costly  alignment.  HyperGen  leverages  hyperdimensional  computing  (HDC)  to  significantly  improve  runtime  performance,  memory  efficiency,  and  accuracy  in  large-scale  genomic  analyses,  enabling  rapid  and  precise  Average  Nucleotide  Identity  (ANI)  estimation.  The  tool  demonstrates  superior  performance  in  both  genome  sketching  and  database  search  tasks.Proteomics,  using  mass  spectrometry  (MS)  to  analyze  proteins,  provides  deep  insights  into  cellular  functions  and  disease  mechanisms.  MS  clustering  is  crucial  for  organizing  and  interpreting  these  datasets,  enabling  more  efficient  identification  of  proteins  and  peptides.  However,  the  demand  for  accurate,  fast,  and  scalable  algorithms  presents  a  significant  challenge  for  large-scale  analyses.  To  address  this,  this  thesis  introduces  HyperSpec,  a  high-performance  tool  that  accelerates  spectral  clustering  by  leveraging  the  lightweight,  parallelizable  nature  of  HDC.  HyperSpec  reduces  clustering  runtime  while  maintaining  high  quality,  cutting  the  processing  time  of  21  million  spectra  from  4  hours  to  just  24  minutes.Despite  HyperSpec's  significant  speedup  to  MS  clustering,  our  profiling  analysis  reveals  that  MS  data  preprocessing  remains  the  primary  bottleneck,  due  to  the  inefficient  data  path  of  conventional  Von  Neumann  architecture.  To  overcome  this,  a  near-storage  accelerator,  MSAS,  is  presented  to  speed  up  MS  data  preprocessing.  By  processing  spectra  close  to  the  storage  medium,  MSAS  minimizes  costly  data  movement  between  storage  and  computation  units.  Its  channel-level  design  achieves  up  to  187x  speedup  compared  to  CPU-based  preprocessing  and  outperforms  existing  in-storage  computing  solutions.  When  integrated  into  existing  MS  clustering  tools,  MSAS  enhances  overall  system  performance,  yielding  3.5x  to  9.8x  improvements  in  speed  and  2.8x  to  11.9x  gains  in  energy  efficiency.
■590    ▼aSchool  code:  0033.
■650  4▼aComputer  science
■650  4▼aEngineering
■650  4▼aBioinformatics
■650  4▼aBioengineering
■653    ▼aGenomics
■653    ▼aHigh-performance  tool
■653    ▼aProteomics
■653    ▼aSoftware  optimization
■653    ▼aDrug  discovery
■690    ▼a0984
■690    ▼a0202
■690    ▼a0537
■690    ▼a0715
■71020▼aUniversity  of  California,  San  Diego▼bComputer  Science  and  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163667▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books