National and Kapodistrian University of Athens
StochMPI: An MPI-based parallel scalable stochastic simulator for biomolecular networks
Abstract
dc:descriptionΗ στοχαστική προσομοίωση αποτελεί θεμελιώδη διαδικασία για τη βαθύτερη κατανόηση της δυναμικής ενός συστήματος που μιμείται μια φυσική διεργασία σε ρεαλιστικές συνθήκες παρουσία θορύβου. Στη βιολογία τη χρησιμοποιούμε για να αναλύσουμε δίκτυα κινητικών αντιδράσεων με πολλαπλά μοριακά είδη που αλληλοεπιδρούν με μη γραμμικό τρόπο. Στη φύση αυτή η αλληλεπίδραση διακρίνεται από αβεβαιότητα και μπορεί να οδηγήσει σε διαφορετικά αποτελέσματα. Τα δίκτυα αντιδράσεων αναπαρίστανται ως βιολογικά μοντέλα (βιο-μοντέλα) και ακολουθούν συγκεκριμένες προδιαγραφές αναλόγως τον τύπο του αρχείου που θα αποθηκευτούν (π.χ. SBML). Αυτό αποσκοπεί στο να είναι κατανοητά μεταξύ επιστημόνων και συμβατά με προγράμματα ανάλυσης. Αρκετοί αλγόριθμοι στοχαστικής προσομοίωσης έχουν δημιουργηθεί που χωρίζονται σε δύο βασικές κατηγορίες, τους ακριβείς (exact) και τους προσεγγιστικούς (approximate). Είναι όμως ανάγκη να δημιουργηθούν γρηγορότερα λογισμικά με δυνατότητα αποδοτικής κλιμάκωσης, ώστε να επιτρέψουν την ανάλυση της στοχαστικής συμπεριφοράς δικτύων με χιλιάδες αντιδράσεις προκειμένου να γίνει εφικτή η ρεαλιστική προσομοίωση μέχρι και ολόκληρων οργανισμών. Σε αυτή τη διπλωματική εργασία αναπτύξαμε τον παράλληλο στοχαστικό προσομοιωτή, StochMPI βασισμένο στο message passing interface (MPI) ο οποίος μπορεί να εκμεταλλευτεί αποδοτικά τους πόρους οποιουδήποτε μηχανήματος τον χρησιμοποιεί, ακόμα και μεγάλων υπολογιστικών υποδομών πλέγματος. Με την καινοτόμο αρχιτεκτονική του, παραλληλοποιεί τις προσομοιώσεις σε δύο επίπεδα: Παράλληλες στοχαστικές επαναλήψεις προσομοίωσης ενός μοντέλου, αλλά και παράλληλη εκτέλεση των αντιδράσεων της ίδιας επανάληψης του μοντέλου. Στην υλοποίηση έχουμε συμπεριλάβει τους δύο στοχαστικούς αλγορίθμους του Gillespie, τον Direct Method (DM) και τον First Reaction Method (FRM), καθώς και βελτιστοποιημένες εκδόσεις τους που δημιουργήσαμε για να αυξήσουμε την απόδοση τους σε πολύ μεγάλα βιο-μοντέλα. Ένα ακόμη προτέρημα του StochMPI είναι πως ευνοεί την προσθήκη και νέων στοχαστικών αλγορίθμων χάριν στον τρόπο με τον οποίο έχει δομηθεί το λογισμικό. Πραγματοποιήσαμε πληθώρα πειραμάτων με πραγματικά και συνθετικά βιο-μοντέλα ώστε να υπολογίσουμε την απόδοση και να εκτιμήσουμε την κλιμάκωσή της καθώς μεγαλώνει η πολυπλοκότητά τους σε μοντέλα με χιλιάδες αντιδράσεις. Τέλος, επιβεβαιώσαμε την ορθή λειτουργία όλων των αλγορίθμων του προσομοιωτή με τη βοήθεια της γνωστής σουίτας στοχαστικών μοντέλων Discrete Stochastic Model Tests Suite (DSMTS) και άλλων βιο-μοντέλων από τη βιβλιογραφία. Τα αποτελέσματά μας φανερώνουν πως η αρχιτεκτονική παράλληλων επαναλήψεων είναι η καλύτερη επιλογή για το μέγεθος των μοντέλων που δοκιμάσαμε. Πιο συγκεκριμένα, ο DM αλγόριθμος είναι η βέλτιστη επιλογή για μικρά βιο-μοντέλα που περιέχουν μέχρι 100 αντιδράσεις, ενώ ο βελτιστοποιημένος αλγόριθμος DMO είναι η κατάλληλη επιλογή για μεγαλύτερα μοντέλα. Οι μέγιστες αποδόσεις που καταφέραμε να επιτύχουμε για βιο-μοντέλα με 8Κ αντιδράσεις ήταν 2.2 GReactions/sec χρησιμοποιώντας 8 διεργασίες στον 8-πυρηνο επεξεργαστή Intel i7-5960X, και 1 GR/sec με 4 διεργασίες στον 4-πυρηνο Intel i7-6700K. Επιπλέον, επιβεβαιώσαμε την κλιμάκωση του προσομοιωτή χρησιμοποιώντας την υπολογιστική υποδομή νέφους HYPATIA του ελληνικού κόμβου του EliXir. Καταφέραμε να φτάσουμε απόδοση 1.3 GR/sec στα μοντέλα από 1Κ έως 32Κ αντιδράσεις χρησιμοποιώντας τον αλγόριθμο FRMOv2 με 90 διεργασίες σε ένα 48-πυρηνο μηχάνημα. Πιστεύουμε ότι το StochMPI θα αποδειχθεί χρήσιμο εργαλείο για την επιστημονική κοινότητα και σκοπεύουμε να το παρέχουμε ως λογισμικό ανοιχτού κώδικα με την ελπίδα ότι θα εμπνεύσει κι άλλους ερευνητές για τη περεταίρω διεύρυνση των δυνατοτήτων του.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Σπύρου Κωνσταντίνος
- Spyrou Konstantinos
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3237628