02126naa a2200241 a 450000100080000000500110000800800410001910000200006024501080008026000090018852014090019765000240160665000150163065300190164565300250166470000190168970000250170870000190173370000210175270000190177370000160179277300760180820840552018-01-03       2017    bl uuuu     u00u1 u    #d1 aLAGROTTA, M. R.  aComputação paralela aplicada à seleção genômica via inferência Bayesiana.h[electronic resource]  c2017  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.  aGenetic improvement  aStatistics  aMarcadores SNP  aRegressão Bayesiana1 aSILVA, F. F. e1 aRESENDE, M. D. V. de1 aNASCIMENTO, M.1 aDUARTE, D. A. S.1 aAZEVEDO, C. F.1 aMOTA, R. R.  tRevista Brasileira de Biometria, Lavrasgv. 35, n. 3, p. 440-448, 2017.