.png){kind=icon}
返回
Function inference of million-scale microbiomes using multi-GPU acceleration
.png){kind=icon}
PRE
AI
DOI：10.1128/spectrum.02072-25.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扩增子测序能够对微生物群落进行分类学分析，但对其功能潜力的了解有限。现有工具如通过重建未观察状态进行群落系统发育研究（PICRUSt2）通过系统发育定位和祖先状态重建来推断功能；然而，这些方法计算量大，对于大规模数据集效率低下。为解决这些挑战，我们介绍了基于微生物组图形处理单元（GPU）的功能推断（MGFunc），这是一个利用多GPU加速的超高通量微生物组功能推断框架。MGFunc利用预构建的基因组内容网络，将扩增子功能预测转化为标准矩阵乘法。它进一步整合了分割数据加载、矩阵分区和多GPU动态调度，实现在有限的GPU内存和系统随机存取存储器（RAM）下可扩展、批量分析数百万样本。与PICRUSt2相比，MGFunc实现了高达数十万倍的加速，在单台服务器的四块GPU上，一分钟内完成一百万个样本的功能解释。这项工作为超大型微生物组数据集的功能推断提供了高效、低延迟的解决方案，为全球规模的微生物组研究铺平了道路。MGFunc软件可免费获取于https://github.com/qdu-bioinfo/MGFunc。重要性：了解微生物的作用——其功能——对于研究健康、疾病、农业和环境至关重要。虽然成本效益高的测序方法如16S rRNA基因分析被广泛应用，但它们不能直接揭示微生物功能。现有从16S数据预测这些功能的工具对于涉及数十万个样本的当代大规模研究而言通常过于缓慢。在本工作中，我们开发了基于微生物组图形处理单元（GPU）的功能推断（MGFunc），一种通过GPU和简化的数学方法快速、准确地预测微生物功能的新方法。MGFunc可在不到一分钟内分析超过一百万个样本，使其成为最快的工具之一。这使研究人员能够在真正全球和群体规模上研究微生物群落的功能潜力。
Keyword:
microbiome
function inference
GPU
parallel computing
期刊
IF:
3.8
论文数:
8.4K
被引数:
2.5W
机构
引用论文
Greengenes2 unifies microbial data in a single reference treeGreengenes2将微生物数据统一在一个参考树中.png)
NATURE BIOTECHNOLOGY
OAAI
NATURE BIOTECHNOLOGYIF41.7
OAAI分享收藏分享收藏Microbial interactions: from networks to models微生物相互作用: 从网络到模型NATURE REVIEWS MICROBIOLOGY
NATURE REVIEWS MICROBIOLOGYIF103.3
PREAI
分享收藏Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2使用QIIME 2的可重复、交互式、可扩展和可扩展的微生物组数据科学NATURE BIOTECHNOLOGYOAAI
NATURE BIOTECHNOLOGYIF41.7
OAAI分享收藏Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences使用16s rRNA标记基因序列对微生物群落进行预测功能分析NATURE BIOTECHNOLOGYOAAI
NATURE BIOTECHNOLOGYIF41.7
OAAI分享收藏
查看更多内容