DNA sequencing is revolutionising the field of medicine. DNA sequencers, the machines which perform DNA sequencing, have evolved from the size of a fridge to that of a mobile phone over the last two decades. The cost of sequencing a human genome also has reduced from billions of dollars to hundreds of dollars. Despite these improvements, DNA sequencers output hundreds or thousands of gigabytes of data that must be analysed on computers to discover meaningful information with biological implications. Unfortunately, the analysis techniques have not kept the pace with rapidly improving sequencing technologies. Consequently, even today, the process of DNA analysis is performed on high-performance computers, just as it was a couple of decades ago. Such high-performance computers are not portable. Consequently, the full utility of an ultra-portable sequencer for sequencing in-the-field or at the point-of-care is limited by the lack of portable lightweight analytic techniques. This thesis proposes computer architecture-aware optimisation of DNA analysis software. DNA analysis software is inevitably convoluted due to the complexity associated with biological data. Modern computer architectures are also complex. Performing architecture-aware optimisations requires the synergistic use of knowledge from both domains, (i.e, DNA sequence analysis and computer architecture). This thesis aims to draw the two domains together. In this thesis, gold-standard DNA sequence analysis workflows are systematically examined for algorithmic components that cause performance bottlenecks. Identified bottlenecks are resolved through architecture-aware optimisations at different levels, i.e., memory, cache, register and processor. The optimised software tools are used in complete end-to-end analysis workflows and their efficacy is demonstrated by running on prototypical embedded systems.


翻译:DNA测序仪,即进行DNA测序的机器,在过去20年中已经从冰箱的大小演变成移动电话的大小。因此,人类基因组测序的成本也从数十亿美元下降到数百美元。尽管取得了这些改进,DNA测序器输出了数百或数千千兆字节的数据,这些数据必须在计算机上分析,以发现有意义的生物影响信息。不幸的是,分析技术没有跟上快速改进测序技术的速度。因此,即使在今天,DNA分析过程也在高性能计算机上进行,就像几十年前那样。这种高性能的计算机是无法移动的。因此,超便携式测序仪对实地测序或关点测的成本也已经从数十亿美元下降到数百美元。尽管这些改进了,DNA测序器生成了数百千兆字节的数据,但由于缺乏便携式光量分析技术,DNA分析软件的优化也不可避免地与生物数据的复杂有关。 现代的终端结构也非常复杂。 进行结构- 结构- 结构- 系统- 系统- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 和系统- 系统化- 系统- 系统化- 系统- 系统- 系统化- 系统化- 系统化- 系统- 系统- 系统- 系统- 系统- 系统- 和系统- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 系统化- 和系统- 系统- 系统化- 系统化- 系统化- 系统- 和系统化- 系统- 系统- 系统- 系统- 系统- 系统化- 系统化- 系统- 系统化- 系统化- 系统化- 系统化- 系统- 进程- 进程- 和系统化- 系统- 系统化- 系统化- 系统化-系统- 系统- 系统化- 系统-

0
下载
关闭预览

相关内容

100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
CCF推荐 | 国际会议信息10条
Call4Papers
8+阅读 · 2019年5月27日
CCF推荐 | 国际会议信息8条
Call4Papers
9+阅读 · 2019年5月23日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
计算机类 | ISCC 2019等国际会议信息9条
Call4Papers
5+阅读 · 2018年12月25日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
0+阅读 · 2021年3月8日
Arxiv
6+阅读 · 2020年10月8日
Neural Architecture Optimization
Arxiv
8+阅读 · 2018年9月5日
Efficient and Effective $L_0$ Feature Selection
Arxiv
5+阅读 · 2018年8月7日
VIP会员
相关资讯
CCF推荐 | 国际会议信息10条
Call4Papers
8+阅读 · 2019年5月27日
CCF推荐 | 国际会议信息8条
Call4Papers
9+阅读 · 2019年5月23日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
计算机类 | ISCC 2019等国际会议信息9条
Call4Papers
5+阅读 · 2018年12月25日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员