Efficient algorithms and architectures for protein 3-D structure comparison

Διδακτορική Διατριβή uoadl:2838816 72 Αναγνώσεις

Μονάδα:
Τμήμα Πληροφορικής & Τηλεπικοινωνιών
Πληροφορική
Ημερομηνία κατάθεσης:
2019-01-10
Έτος εκπόνησης:
2019
Συγγραφέας:
Sharma Anuj
Στοιχεία επταμελούς επιτροπής:
Elias Manolakosr, Professor, Department of Informatics and Telecommunications, University of Athens
George Panayotou, Researcher A B.S.R.C, Fleming
Dimitrios Soudris, Assoc. Professor, NTUA
Evangelia Chrysina, Assoc. Professor, Örebro University
Ioannis Emiris, Professor, Department of Informatics and Telecommunications, University of Athens
Stavros Perantonis, Researcher A, Computational Intelligence Lab, DIMOKRITOS
Yannis Cotronis, Assoc. Professor, Department of Informatics and Telecommunications, University of Athens
Πρωτότυπος Τίτλος:
Efficient algorithms and architectures for protein 3-D structure comparison
Γλώσσες διατριβής:
Αγγλικά
Ελληνικά
Μεταφρασμένος τίτλος:
Αλγόριθμοι υψηλών επιδόσεων και αρχιτεκτονικές υπολογιστών για την σύγκριση πρωτεϊνών με βάση τη δομή τους
Περίληψη:
Η σύγκριση δομών πρωτεϊνών είναι ανεπτυγμένος τομέας της υπολογιστικής πρωτεϊνωμικής που χρησιμοποιείται ευρέως στη δομική βιολογία και την ανακάλυψη φαρμάκων. Οι αυξανόμενες υπολογιστικές απαιτήσεις του είναι αποτέλεσμα τριών παραγόντων: ταχεία επέκταση των βάσεων δεδομένων με νέες δομές πρωτεϊνών, υψηλή υπολογιστική πολυπλοκότητα των αλγορίθμων σύγκρισης δομών πρωτεϊνών κατά ζεύγη (PSC), και τάση χρήσης πολλαπλών μεθόδων σύγκρισης και συνδυασμού των αποτελεσμάτων τους (multi criteria protein structure comparison-MCPSC-), μιας και δεν υπάρχει PSC μέθοδος κοινά αποδεκτή ως η καλύτερη. Αναπτύξαμε πλαίσιο λογισμικού που εκμεταλλεύεται επεξεργαστές πολλών πυρήνων για την υλοποίηση παράλληλων στρατηγικών MCPSC με βάση τρεις δημοφιλείς PSC μεθόδους, τις TMalign, CE και USM. Συγκρίνουμε την απόδοση και αποδοτικότητα δύο παράλληλων υλοποιήσεων MCPSC στον πειραματικό επεξεργαστή δικτύου σε ψηφίδα (Network on Chip)  Intel Single-Chip Cloud Computer και τον δημοφιλή επεξεργαστή Intel Core i7. Επιπλέον, αναπτύξαμε εκτενές υπολογιστικό pipeline και υλοποίησή του με πρόγραμμα Python, που ονομάζεται pyMCPSC, που επιτρέπει στους χρήστες να εκτελούν MCPSC διεργασίες σε επεξεργαστές πολλαπλών πυρήνων. Το pyMCPSC, το οποίο συνδυάζει πέντε μεθόδους PSC και υποστηρίζει πέντε διαφορετικά σχήματα συναίνεσης MCPSC, υποστηρίζει τη συγκριτική ανάλυση μεγάλων συνόλων με δομές πρωτεϊνών και μπορεί να επεκταθεί ώστε να ενσωματώσει και νέες μεθόδους PSC στις βαθμολογίες συναίνεσης, καθώς αυτές καθίστανται διαθέσιμες.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
Πρωτεΐνη, Ομολογία, Μηχανική μάθηση, Σύγκριση αλληλουχιών, Σύγκριση δομών
Ευρετήριο:
Ναι
Αρ. σελίδων ευρετηρίου:
7
Εικονογραφημένη:
Ναι
Αρ. βιβλιογραφικών αναφορών:
148
Αριθμός σελίδων:
158
AnujSharmaPhDthesis_final.pdf (9 MB) Άνοιγμα σε νέο παράθυρο