CUDA平台下的复杂疾病全基因组基因-基因相互作用研究

论文摘要

复杂疾病的全基因组基因-基因扫描可以有效发现多个基因的相互作用对疾病易感性的贡献。但是这种扫描的计算量通常非常巨大,限制了它的实际应用。现代图形处理器（GPU,显卡）已具有非常强大的并行计算能力,同时价格低廉。因此,在这项研究中我们使用了基于GPU的算法,即SHEsisEpi。它仅与多个位点在全基因组中的易感性相关,而不受单个位点的关联分析结果（即边际函数）影响。我们分析了WTCCC数据库提供的双向情感障碍（bipolar disorder, BPD）数据,仅耗时27小时就完成了全基因组一共500K个SNP的扫描,比传统的CPU程序快将近300倍。然后,我们通过对扫描结果进行筛选（p=5.37×10-12）,对p值最小并且符合条件的SNP组合,用独立的样本进行重复实验（475个BPD病例,480个对照组,汉族人群）,证明两对基因组合与BPD的易感性相关（ a=0.05 ）。可执行文件和源代码可从SHEsis主页进行下载（http://analysis.bio-x.cn）。

论文目录

• 摘要
• ABSTRACT
• 第一章 全基因组基因-基因相互作用分析
• 1.1 全基因组关联分析
• 1.2 基因-基因相互作用分析
• 1.3 本章小结
• 第二章 GPU 编程简介
• 2.1 CPU 多核并行
• 2.2 超级计算机、集群与分布式计算
• 2.3 CPU+GPU 异构并行
• 2.4 GPGPU
• 2.5 基于GPU 结点的超级计算机
• 2.6 本章小结
• 第三章 CUDA 简介
• 3.1 从GPGPU 到CUDA
• 3.2 CUDA 编程模型
• 3.2.1 主机与设备
• 3.2.2 线程结构
• 3.3 硬件映射
• 3.3.1 计算单元
• 3.3.2 warp
• 3.3.3 执行模型
• 3.4 软件体系
• 3.4.1 CUDA C 语言
• 3.4.2 nvcc 编译器
• 3.5 本章小结
• 第四章 算法说明
• 4.1 算法的数学说明
• 4.2 与单个位点关联分析结果无关的证明
• 4.3 本章小结
• 第五章 程序实现
• 5.1 数据结构的设计
• 5.1.1 输入数据预处理
• 5.1.2 数据结构
• 5.1.3 两两选择SNP 位点
• 5.2 多线程设计
• 5.2.1 多线程概述
• 5.2.2 线程池
• 5.2.3 线程同步
• 5.2.4 双缓冲读入数据
• 5.2.5 流程图
• 5.3 CUDA 代码优化
• 5.3.1 CUDA 程序优化概述
• 5.3.2 实际任务划分
• 5.3.3 合并访问
• 5.3.4 共享存储器（shared memory）
• 5.3.5 其他优化
• 5.4 本章小结
• 第六章 结果
• 6.1 加速比结果
• 6.1.1 硬件配置
• 6.1.2 加速比结果
• 6.2 全基因组扫描结果
• 6.3 重复试验结果
• 6.4 本章小结
• 第七章 全文总结
• 7.1 主要结论
• 7.2 研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用的论文