【摘 要】
：
k-mer频次计数任务是生物信息学分析工作流的基础环节,可为表征生物序列上下文提供可用材料,应用场景包括序列组装、序列比对、序列修正、突变位点检测、公共祖先发现、模体发现、基因关联分析等等。随着测序数据规模不断扩大,k-mer频次计数算法所需的存储和时间开销已成为不可回避的问题。本文分别研究共享内存环境和天河超算环境下的大规模k-mer频次计数问题,主要内容如下:（1）针对共享内存计算环境,提出一
论文部分内容阅读
k-mer频次计数任务是生物信息学分析工作流的基础环节,可为表征生物序列上下文提供可用材料,应用场景包括序列组装、序列比对、序列修正、突变位点检测、公共祖先发现、模体发现、基因关联分析等等。随着测序数据规模不断扩大,k-mer频次计数算法所需的存储和时间开销已成为不可回避的问题。本文分别研究共享内存环境和天河超算环境下的大规模k-mer频次计数问题,主要内容如下:（1）针对共享内存计算环境,提出一种改进的分区式k-mer频次计数算法。目前分区式算法可扩展性受IO瓶颈限制,本文通过利用k-mer间的相似性,以及生物序列数据中k-mer的统计性质,提出面向分区式算法的重叠序列机制。它使用布隆过滤器识别连续首次出现的k-mer,并将其以高度紧凑的重叠序列形式存储,减少磁盘消耗,从而减轻IO影响,节省时间。本文同时提出实现高效原子更新操作的分段布隆过滤器,并对改良算法的k-mer编码以及解码流程基于AVX2指令集实施向量化改造。与先进算法相比,改良算法计数测序数据的磁盘占用量比CHTKC节省50%,比KMC3节省33%,磁盘读写效率显著提高。在同等内存条件下,改进算法比KMC3可加速31%～75%,在分区式算法具优势的场景中相比CHTKC有数倍加速。（2）针对超算平台环境,提出一种基于分区的分布式k-mer频次计数算法。该算法不仅结合上述重叠序列机制、分区式算法以及MPI集合通信的优势,也在超算平台环境中对输入文件实施分片,从而实现文件的并行读取和基于分区的k-mer高效分布式计数。与先进算法Bloomfish相比,该算法在使用较少计算节点时运行时间可加速至少50%,计算资源利用率更高。
其他文献
近年来,随着社会进入大数据时代,文本摘要生成任务愈发受到研究人员的关注,其目标是针对篇幅较长的文本生成能够简洁准确反应原意的短文本摘要。当前的文本摘要生成方法分为两类:抽取式摘要生成方法和生成式摘要生成方法。前者为从原文本中抽取部分片段,组合构成摘要。后者为直接根据原文生成摘要,可出现原文中未有的词汇。本文研究针对的是文本匹配范式的抽取式摘要生成方法。现有的相关方法使用预训练语言模型分别抽取文档、
近年来,在人工智能、虚拟现实等新技术浪潮下,虚拟数字人技术正在得到越来越多的关注。其中,人脸动作重定向是虚拟数字人技术的重要组成部分,目标是从普通RGB人脸图像中捕捉人脸的动作（人脸表情与头部旋转姿势）,并重定向到其他定制化的3D角色人脸上。该任务通常被建模为三维人脸重建问题,通过估计3DMM人脸模型的身份、表情、头部旋转系数等进行三维人脸重建,然后将最终估计的表情系数和头部旋转系数重定向到目标3
近年来,有机金属卤化物钙钛矿纳米阵列结构因其在偏振光、高分辨X射线成像、发光二极管和激光器中的潜在应用而备受关注。诚然,干法和湿法蚀刻以及气相沉积等工艺可以制备出有序的图案化纳米结构,但这些方法往往需要复杂的制备步骤以及高真空等苛刻的制备条件,这些都大大增加了其大规模应用的成本。相比之下,通过化学溶液法制备纳米阵列结构具有成本低、步骤简单、制备快速等优点。然而,由于对有关成核机理以及生长动力学的研
随着软件规模和复杂度的不断提升,软件测试已经成为软件生命周期中最重要的阶段之一。跨项目缺陷预测（Cross-Project Defect Prediction,CPDP）方法允许在一个软件项目的初期阶段利用其他成熟软件的标记数据来进行缺陷预测,使得研究人员可以将通过成熟项目的标记数据训练出来的缺陷预测模型应用于其他新项目的预测任务。目前,大部分CPDP模型利用深度学习方法提取源代码中的语义特征信息
为开发高扩散渗析性能的阴离子交换膜,本论文通过合理的分子设计来改性聚（联苯哌啶）,使改性膜具有更优异的尺寸稳定性,酸通量以及离子选择性。1.通过联苯,N-甲基-4-哌啶酮,α,α,α-三氟丙酮进行共聚,制备了三种不同哌啶含量的聚合物PBPip XAc。随后经Menshutkin反应将长侧链季铵化试剂6-Br-MPD接枝到聚合物中,从而得到了一种侧链局部高密度形式的聚芳基哌啶阴离子交换膜QPBPip
近年来,D-A（给体-受体）型共轭聚合物在聚合物太阳能电池（PSCs）领域具有广泛应用。聚合物太阳能电池可通过光生伏特效应将太阳能转化为电能,是一种理想的绿色能源转化装置。PSCs还具有易加工、材料来源广泛、质轻、柔性等特点,PSC的设计和开发为解决能源短缺、环境污染和温室效应提供了有效途径。此外,人们已经认识到,使用有毒溶剂造成的环境污染问题,会阻碍聚合物太阳能电池的商业化生产。由于D-A型共轭
代码搜索是开发者利用自然语言查询语句搜索符合其描述的代码片段的行为,是现代软件开发过程中最频繁的活动之一,开发者通过搜索寻找可复用的高质量代码。因此,提高代码搜索的准确度可以有效提高软件的质量和开发的效率。开发者需要根据语句及其上下文理解代码,这使得开发者倾向于搜索实现一定功能的函数或代码片段。因此,代码搜索系统使用的函数表示应该表达函数的功能。据此,本文分析了现有方法存在的两个问题:函数功能表达
肺纤维化与卵巢癌作为致命性的两种疾病,均需要特定的药物对其进行治疗。在传统治疗的过程中,药物的非特异性靶向所带来的全身性的毒副作用给患者的健康和临床治疗都带来了很大的困扰。因此,近年来,实现药物的精准靶向递送就成为了研究人员们关注的领域。其中,纳米复合材料的功能基元组成多样,在药物的靶向递送上存在着极大的应用潜能,引发了研究者们的广泛关注。四氧化三铁纳米粒子具有超顺磁性,可以在外部磁场的作用下聚集
长期以来,颈椎病在中老年人群中具有较高的发病率。根据大量临床研究结果,人体的手部灵活性和颈部神经之间存在紧密联系。骨科医生在门诊过程中对患者进行颈椎病检查时,通常会让患者进行一次十秒手部抓握试验,并以此试验的结果,即患者在十秒内的抓握次数作为对病情的初步判断。到目前为止,十秒手部抓握试验的计数仍然由医生进行肉眼计数。当患者的手部抓握速度太快时,肉眼计数容易出现错漏,从而可能导致发生误诊的情况,影响
在“绿水青山就是金山银山”的战略谋划下,对水环境漂浮物进行监测以防治水污染已是燃眉之急。面向复杂水场景图像的语义分割方法是水环境漂浮物监测的重要支撑技术,因为语义分割可以细致地描绘漂浮物并提供精确的物体信息。复杂水场景中漂浮物种类繁多,语义分割方法面临数据层面和算法层面的挑战。在数据层面,现有水场景语义分割数据集多半仅顾及单一类别的漂浮物,导致基于现有数据集训练的语义分割方法面向多种漂浮物时既容易