|
|
Registro Completo |
Biblioteca(s): |
Embrapa Florestas. |
Data corrente: |
03/01/2018 |
Data da última atualização: |
03/01/2018 |
Tipo da produção científica: |
Artigo em Periódico Indexado |
Autoria: |
LAGROTTA, M. R.; SILVA, F. F. e; RESENDE, M. D. V. de; NASCIMENTO, M.; DUARTE, D. A. S.; AZEVEDO, C. F.; MOTA, R. R. |
Afiliação: |
Marcos Rodrigues Lagrotta, Universidade Federal dos Vales do Jequitinhonha e Mucuri; Fabyano Fonseca e Silva, UFV; MARCOS DEON VILELA DE RESENDE, CNPF; Moysés Nascimento, UFV; Darlene Ana Souza Duarte, UFV; Camila Ferreira Azevedo, UFV; Rodrigo Reis Mota, University of Liège. |
Título: |
Computação paralela aplicada à seleção genômica via inferência Bayesiana. |
Ano de publicação: |
2017 |
Fonte/Imprenta: |
Revista Brasileira de Biometria, Lavras, v. 35, n. 3, p. 440-448, 2017. |
Idioma: |
Português |
Conteúdo: |
Em seleção genômica (SG), o grande número de marcadores moleculares utilizados, bem como a demanda computacional dos modelos bayesianos, fundamentados nos algoritmos Monte Carlo Via Cadeias de Markov, faz com que as análises exijam semanas ou até meses de processamento. A computação paralela representa uma solução natural para este problema, visto que esta subdividi um algoritmo em várias tarefas independentes, as quais podem ser processadas em paralelo, reduzindo o tempo de processamento. Objetivou-se comparar a eficiência de processamento do método BayesCπ programado em paralelo com o seu algoritmo sequencial padrão. Duas estratégias de paralelização foram estudadas. A primeira envolveu a análise de múltiplas cadeias MCMC em paralelo, e a segunda referiu-se à paralelização de uma única cadeia MCMC. Utilizou-se a biblioteca MPI e o pacote OpenMPI associado ao compilador gfortran para execução em paralelo desses algoritmos. Foram utilizados dados simulados considerando 10.000 marcadores SNPs e 4.100 indivíduos. O algoritmo sequencial padrão foi processado em 77,29 horas. Ao usar múltiplas cadeias em paralelo o processamento foi 77% mais rápido (17,75hs), enquanto que a estratégia de paralelização de uma única cadeia apresentou um ganho de desempenho de 15% (65,37hs). Conclui-se que a computação paralela é eficiente e pode ser aplicada à SG. |
Palavras-Chave: |
Marcadores SNP; Regressão Bayesiana. |
Thesaurus Nal: |
Genetic improvement; Statistics. |
Categoria do assunto: |
G Melhoramento Genético |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/170170/1/2017-M.Deon-RBM-Computacao.pdf
|
Marc: |
LEADER 02126naa a2200241 a 4500 001 2084055 005 2018-01-03 008 2017 bl uuuu u00u1 u #d 100 1 $aLAGROTTA, M. R. 245 $aComputação paralela aplicada à seleção genômica via inferência Bayesiana.$h[electronic resource] 260 $c2017 520 $aEm seleção genômica (SG), o grande número de marcadores moleculares utilizados, bem como a demanda computacional dos modelos bayesianos, fundamentados nos algoritmos Monte Carlo Via Cadeias de Markov, faz com que as análises exijam semanas ou até meses de processamento. A computação paralela representa uma solução natural para este problema, visto que esta subdividi um algoritmo em várias tarefas independentes, as quais podem ser processadas em paralelo, reduzindo o tempo de processamento. Objetivou-se comparar a eficiência de processamento do método BayesCπ programado em paralelo com o seu algoritmo sequencial padrão. Duas estratégias de paralelização foram estudadas. A primeira envolveu a análise de múltiplas cadeias MCMC em paralelo, e a segunda referiu-se à paralelização de uma única cadeia MCMC. Utilizou-se a biblioteca MPI e o pacote OpenMPI associado ao compilador gfortran para execução em paralelo desses algoritmos. Foram utilizados dados simulados considerando 10.000 marcadores SNPs e 4.100 indivíduos. O algoritmo sequencial padrão foi processado em 77,29 horas. Ao usar múltiplas cadeias em paralelo o processamento foi 77% mais rápido (17,75hs), enquanto que a estratégia de paralelização de uma única cadeia apresentou um ganho de desempenho de 15% (65,37hs). Conclui-se que a computação paralela é eficiente e pode ser aplicada à SG. 650 $aGenetic improvement 650 $aStatistics 653 $aMarcadores SNP 653 $aRegressão Bayesiana 700 1 $aSILVA, F. F. e 700 1 $aRESENDE, M. D. V. de 700 1 $aNASCIMENTO, M. 700 1 $aDUARTE, D. A. S. 700 1 $aAZEVEDO, C. F. 700 1 $aMOTA, R. R. 773 $tRevista Brasileira de Biometria, Lavras$gv. 35, n. 3, p. 440-448, 2017.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Florestas (CNPF) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registros recuperados : 1 | |
1. | | LAGROTTA, M. R.; SILVA, F. F. e; RESENDE, M. D. V. de; NASCIMENTO, M.; DUARTE, D. A. S.; AZEVEDO, C. F.; MOTA, R. R. Computação paralela aplicada à seleção genômica via inferência Bayesiana. Revista Brasileira de Biometria, Lavras, v. 35, n. 3, p. 440-448, 2017.Tipo: Artigo em Periódico Indexado | Circulação/Nível: B - 4 |
Biblioteca(s): Embrapa Florestas. |
| |
Registros recuperados : 1 | |
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|