Simulação de Redes Reguladoras de Genes com Lógica Booleana e Limiar em Plataformas Alto Desempenho

• Wallace Rosa Universidade Federal de Viçosa
• Hector Baranda Universidade Federal de Viçosa
• Michael Canesche Universidade Federal de Viçosa
• Marcelo Menezes Universidade Federal de Viçosa
• Lucas Bragança Universidade Federal de Viçosa
• Salles Magalhaes Universidade Federal de Viçosa
• José Augusto Nacif Universidade Federal de Viçosa
• Ricardo Ferreira Universidade Federal de Vicosa

DOI: https://doi.org/10.5753/wscad.2019.8680

Resumo

As redes reguladoras de genes são modelos baseados em grafos muito utilizadas para estudar o comportamento de células, processos de diferenciação celular ou tratamento e evolução de doenças. Uma rede pode ser implementada por um grafo com equações booleanas. Os algoritmos usados nas simulações das redes avaliam estas equações várias vezes ao longo da execução. Este artigo propõe um estudo das implementações em CPU, GPU e FPGA da operação básica que é o cálculo do próximo estado. Exploramos as técnicas de vetorização e paralelização com AVX e OpenMP para os processadores e uma nova arquitetura dinâmica é proposta para simplificar o uso das soluções com FPGA. Além do modelo booleano, mostramos como as redes podem ser transformadas em equações com somas de peso e limiares. Finalmente, 16 redes biológicas usados na literatura foram avaliadas, onde as implementações em CPU com OMP apresentaram uma aceleração de 3x em comparação com a CPU, as implementações em GPU foram em média 57,3x mais rápidas que a CPU e finalmente as implementações em FPGA foram em média 86,7x mais rápidas que a CPU. ∗

Referências

Aldana, M. (2003). Boolean dynamics of networks with scale-free topology. Physica D: Nonlinear Phenomena, 185(1):45–66.

Borelli, F. F., de Camargo, R. Y., Martins, D. C., and Rozante, L. C. (2013). Gene regulatory networks inference using a multi-gpu exhaustive search algorithm. BMC bioinformatics, 14(18):S5.

Campos, R. R., Ferreira, R., Vendramini, J. C. G., Martins, M. L., et al. (2011). Simulation of scale free gene regulatory networks based on threshold functions on gpu. In Simposio de Sistemas Computacionais de Alto Desempenho (WSCAD). IEEE.

da Silva, L. B., Almeida, D., Nacif, J. A. M., Sánchez-Osorio, I., Hernández-Martı́nez, C. A., and Ferreira, R. (2017). Exploring the dynamics of large-scale gene regulatory networks using hardware acceleration on a heterogeneous cpu-fpga platform. In IEEE Int. Conf. on ReConFigurable Computing and FPGAs (ReConFig).

Darabos, C., Di Cunto, F., Tomassini, M., Moore, J. H., Provero, P., and Giacobini, M. (2011). Additive functions in boolean models of gene regulatory network modules. PloS one, 6(11):e25110.

Davidson, E. and Levin, M. (2005). Gene regulatory networks. Proceedings of the National Academy of Sciences, 102(14):4935–4935.

De Jong, H. (2002). Modeling and simulation of genetic regulatory systems: a literature review. Journal of computational biology, 9(1):67–103.

Ferreira, R. and Vendramini, J. (2010). Fpga-accelerated attractor computation of scale free gene regulatory networks. In IEEE Field Programmable Logic and Applications FPL.

Fumia, H. F. and Martins, M. L. (2013). Boolean network model for cancer pathways:

predicting carcinogenesis and targeted therapy outcomes. PloS one, 8(7):e69008.

Haupt, S., Berger, M., Goldberg, Z., and Haupt, Y. (2003). Apoptosis-the p53 network. Journal of cell science, 116(20):4077–4085.

Jacob, V. V., de Resende Ferreira, C., and Ferreira, R. (2012). Gpu optimization techniques applied to scale free gene regulatory networks based on threshold function. In Simposio de Sistemas Computacionais de Alto Desempenho (WSCAD), pages 57–64. IEEE.

Kauffman, S. A. (1969). Metabolic stability and epigenesis in randomly constructed genetic nets. Journal of theoretical biology, 22(3):437–467.

Kauffman, S. A. (1993). The origins of order: Self-organization and selection in evolution. OUP USA.

Muroga, S. (1971). Threshold logic and its applications.

Neutzling, A., Martins, M., Ribas, R., and Reis, A. (2013). An efficient method to threshold logic functions identification. In SOUTH SYMP. ON MICROELECTRONICS.

Pournara, I., Bouganis, C.-S., and Constantinides, G. A. (2005). Fpga-accelerated bayesian learning for reconstruction of gene regulatory networks. In Field Programmable Logic and Applications (FPL). IEEE.

Purandare, M., Polig, R., and Hagleitner, C. (2017). Accelerated analysis of boolean gene regulatory networks. In IEEE Field Programmable Logic and Applications (FPL).

Trinh, H.-C., Le, D.-H., and Kwon, Y.-K. (2014). Panet: a gpu-based tool for fast parallel analysis of robustness dynamics and feed-forward/feedback loop structures in largescale biological networks. PloS one, 9(7).

UFV (2019). Redes reguladoras. https://github.com/Wallace-F-Rosa/redes_reg_genes.