.png){kind=icon}
返回
Memory aware GPU execution for large scale genomic workload on edge platforms
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jocs.2026.102967.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
全基因组关联研究（GWAS）已能够识别大量遗传变异，包括单核苷酸多态性（SNPs），从而促进了复杂疾病机制的认知并支持了精准医学倡议。然而，GWAS数据的计算分析因现代数据集的规模（通常包含数百万个变异位点跨越大规模队列）而面临挑战。本研究提出了一种基于GPU加速的边缘计算框架，用于本地执行高维基因组工作负载。该框架不仅关注原始GPU加速或单一分析任务，还定义了一种内存感知执行模型，旨在减少基因型物化、保持数据局部性，并评估在异构边缘GPU平台上的可扩展性。遗传风险评分（GRS）计算被选为代表高计算强度工作负载，而基因型归一化和等位基因频率估计则作为具有不同计算和内存访问模式的其他代表性内核。在嵌入式和独立GPU平台上的实验结果表明，显式基因型矩阵物化会导致评估工作负载呈现内存受限行为，而通过即时（OTF）执行减少内存流量则有助于转向更计算密集型的执行模式。在GRS计算、基因型归一化和等位基因频率估计中，所提出的策略提升了可扩展性，降低了通信开销，并增强了测试配置中的性能可移植性。由于计算更靠近数据源，该方法还减少了将原始基因型数据传输至中心化基础设施的需求，可能降低数据暴露风险，尽管本研究未实现正式的隐私保护机制。运行时分解进一步显示，OTF减少了显式基因型矩阵传输，并将端到端执行时间重新分配至GPU内核计算，特别是在独立GPU平台上。这些发现表明，内存感知算法设计是评估基因组工作负载可扩展执行的重要因素，尤其是在面向边缘的GPU平台上。
Keyword:
Edge computing
Cloud computing
GWAS
Big Omics Data
Genetic risk score
Parallel computing
