PDF de programación - Análisis de expresión genética en microarreglos utilizando algoritmos implementados en GPU

Subsecretaría de Educación Superior
Dirección General de Educación Superior Tecnológica
Instituto Tecnológico de La Paz

INSTITUTO TECNOLÓGICO DE LA PAZ

DIVISIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN

MAESTRÍA EN SISTEMAS COMPUTACIONALES

ANÁLISIS DE EXPRESIÓN GENÉTICA EN

MICROARREGLOS UTILIZANDO ALGORITMOS

IMPLEMENTADOS EN GPU

T E S I S

QUE PARA OBTENER EL GRADO DE

MAESTRO EN SISTEMAS COMPUTACIONALES

PRESENTA:

ISAAC VILLA MEDINA

DIRECTOR DE TESIS:

MC. Jesús Antonio Castro

CODIRECTOR DE TESIS:

Dr. Eduardo Romero Vivas

MIEMBROS DEL JURADO:

MC. Jesús Antonio Castro, ITLP

PRESIDENTE

MSC. Iliana Castro Liera, ITLP

SECRETARIO

Dr. Saúl Martínez Díaz, ITLP

VOCAL

LA PAZ, BAJA CALIFORNIA SUR, MÉXICO, JUNIO 2013.





CONTENIDO.

Página

Índice de Figuras

Resumen

Abstract

















Capítulo 1. Introducción.

1.1. Introducción.















1.2. Planteamiento del Problema.

1.3. Objetivo.





1.4. Objetivos Específicos.



Capítulo 2. Microarreglos.







2.1. Introducción a Microarreglos.

2.2. Herramienta Spotfinder.

2.3. Diseño del Microarreglo.





















































2.4. Análisis Estadístico de Expresión Diferencial.

2.5. Análisis Bootstrap.



2.6. Obtención de datos.

2.7. Formateo de Datos.

2.8. Taxonomía de Flynn.































































































































iii

vi

vii

1

2

4

5

5

6

7

10

11

13

14

16

21

23





i





Capítulo 3. CUDA.



3.1. Tarjetas Gráficas.

3.2. CUDA.































3.3. Instalación de CUDA en Fedora 12 Linux.

Capítulo 4. Implementación de Algoritmos.

4.1. Diseño del Algoritmo.





4.2. Descripción de Rutinas del Algoritmo.





















4.3. Implementación Paralela del Algoritmo en CUDA.

Capítulo 5. Resultados y Conclusiones.

5.1. Desempeño del Algoritmo.

5.2. Conclusiones.

5.3. Recomendaciones.



















Apéndice 1. Código de Algoritmo Secuencial.

Apéndice 2. Código de Algoritmo Paralelo.

























Apéndice 3. Código de Rutinas para Formateo de Datos.

Apéndice 4. Características de equipos de pruebas.

Referencias.



















Página





































































28

29

35

38

42

43

46



47

50

51

54

54

55

75

100

105

107

ii





INDICE DE FIGURAS

Página

2.1 Metodología básica de un Microarreglo de ADN.

2.2 Imagen de microarreglo y acercamiento.







2.3 Histograma de resultados del estadístico t-student













2.4 Imágenes del microarreglo Cy3, Cy5 y un acercamiento a Cy5.

2.5 Página oficial de Spotfinder.









2.6 Archivos obtenidos tras descomprimir Spotfinder321xxx.zip.

2.7 Menú Image->Open Images.



2.8 Cuadro de diálogo abrir imágenes.









2.9 Contenido de opción: Menu Grid->Load Grid from file.

2.10 Malla colocada sobre las imágenes.

2.11 Ajustes del Grid.







2.12 Guardando datos en archivo MEV.









































8

12

15

16

17

17

18

18

18

19

19

20

2.13 Archivo MEV antes (a) y después (b) de quitar los encabezados.

21

2.14 Archivo de salida con los ratios obtenidos.

2.15 Archivo de ratios ordenados por columnas.

2.16 Arquitectura SISD.

2.17 Arquitectura SIMD.

2.18 Arquitectura MISD.

2.19 Arquitectura MIMD.





































































22

22

23

24

25

26



iii



3.1 Tarjeta gráfica Nvidia Gforce GTX 460.

3.2 Esquema de Tarjeta gráfica.









3.3 Operaciones de punto flotante por segundo.

3.4 Cantidad de memoria leída.





3.5 Esquema de Diseño de una CPU y una GPU.

3.6 Modo de ejecución secuencial en CPU.

3.7 Modo de ejecución paralela en CPU.

3.8 Modo de ejecución paralela en GPU.

3.9 Arquitectura CUDA.







3.10 Distribución de bloques en los núcleos.

3.11 Archivo /etc/modprobe.d/blacklist.conf

3.12 Archivo /boot/grub/grub.conf









































3.13 Comando para instalar driver de desarrollo de CUDA.

3.14 Cambiando a superusuario (root).





3.15 Comando para instalar el kit de herramientas CUDA.

3.16 Comando para editar el archivo .bashrc

3.17 Comando para instalar el CUDA SDK.











































3.18 Comandos para instalar las dependencias del CUDA SDK.

3.19 Compilación del SDK.











4.1 Diagrama para realizar el cálculo del estadístico t-student.

Página









































29

30

31

32

32

33

34

34

36

37

39

39

40

40

40

40

41

41

41

43



iv





Página

4.2 Desglose del cálculo del promedio.



4.3 Desglose del cálculo de la desviación estándar.

4.4 Desglose del cálculo del estadístico t-student.

4.5 Cálculos realizados por la función sumatoria().

4.6 Cálculos realizados por la función divisionesc().

4.7 Cálculos realizados por la función restapow2().

4.8 Cálculos realizados por la función raiz().

















4.9 Cálculos realizados por la función divisionmat().

5.1 Tiempos de procesamiento de algoritmos.



5.2 Tiempos de procesamiento del análisis Bootstrap.









































44

44

45

47

47

48

48

49

51

52























v











Resumen

Los microarreglos de ADN permiten analizar simultáneamente el nivel de expresión

de miles de genes ante condiciones múltiples. Su uso ha revolucionado la biología

molecular impactando en áreas tales como la académica, médica y farmacéutica,

biotecnológica, agroquímica y la industria alimenticia. Una de las principales

características de los microarreglos es el gran volumen de datos que se generan.

Por tanto, uno de los grandes retos en este campo involucra el manejo e

interpretación de estos datos. La Bioinformática (entendida ésta como la aplicación

de matemáticas, estadística y tecnologías de la información para el análisis de

señales genómicas y proteómicas) dan respuesta a este reto. La dimensión de la

información generada y su análisis hace de los microarreglos candidatos ideales

para procesamiento masivamente paralelo y dentro de las tecnologías disponibles,

el procesamiento en tarjetas gráficas de video (GPU) constituye una excelente

alternativa. En este trabajo se presenta la implementación de algoritmos basados

en la Arquitectura de Dispositivos de Computo Unificado (CUDA) para determinar la

significancia estadística en la evaluación de los niveles de expresión genes para un

experimento de hibridación de microarreglos diseñado en el Centro de

Investigaciones Biológicas del Noroeste S.C.













vi





Abstract

The microarrays of DNA are used to analyze simultaneously the expression level of

thousands of genes under multiple conditions. Its use has revolutionized the

molecular biology impacting on areas such as academic, medic and pharmaceutical,

biotechnology, agrochemical and the food industries. One of the main features of

microarrays is the generation of massive amount of data. Therefore, one of the

major challenges in this field involves the management and interpretation of big

volumes of data. Bioinformatics (understood as the application of mathematics,

statistics and information technology for the analysis of genomic and proteomic

signals) responds to this challenge. The dimension of the information generated

and the analysis of microarrays makes them ideal candidates for massive parallel

processing and within the available technologies, processing in video graphics cards

(GPU) is an excellent alternative. This work presents the implementation of

algorithms using Compute Unified Device Architecture (CUDA) to determine

statistical significance in the evaluation of gene expression levels for of microarrays

hybridization experiments, designed in Centro de Investigaciones Biológicas del

Noroeste, S.C.



















vii



Capítulo 1

Introducción.







































1





1.1. Introducción

El ADN es el ácido desoxirribonucleico responsable de contener toda la

información genética de un individuo o ser vivo, información que es única e

irrepetible en cada ser ya que la combinación de elementos se construye de

manera única. Este ácido contiene, además, los datos genéticos que serán

hereditarios de generación en generación, por lo cual su análisis y comprensión

es de gran importancia para realizar cualquier tipo de investigación científica

que verse sobre la identidad o sobre las características de un individuo.

La información que nos ofrece el ácido desoxirribonucleico o ADN es aquella

que se vincula directamente con la conformación de cualquier tipo de células en

un ser vivo. Esta información se transporta a través de los segmentos conocidos

como genes, construcciones responsables de dar forma a los diferentes

complejos celulares de un organismo.

El descubri