-
قابل دانلود از دوشنبه, ۱۶ مرداد ۱۴۰۲
|
فهرست مطالب: 1 Need for High-Performance Computing for MS-Based Omics Data Analysis . . . . . . . 1References . . . . . . . . . . 4 2 Introduction to Mass Spectrometry Data . . . 7 2.1 Proteomics . . . . . . . . . . . 7 2.2 Proteogenomics . . . . . . . 12 References . . . . . . . . . . 14 3 Existing HPC Methods and the Communication Lower Bounds for Distributed-Memory Computations for Mass Spectrometry-Based Omics Data . . . . . . . . . . 21 3.1 Introduction . . . . . . . . . . 21 3.2 Communication Model . . . . . . . . 23 3.3 MS Database Proteomics, Proteogenomics, and Meta-Proteomics Search . . . . . . . . . . 24 3.4 Communication Lower Bounds . . . . . . . . 26 3.5 Meta-Analysis of Results of Current HPC Methods . . . . 29 3.6 Discussions . . . . . . . . . . 32 3.7 Conclusions . . . . . . . . . . 33 References . . . . . . . . . . 34 4 High-Performance Computing Strategy Using Distributed-Memory Supercomputers . . . . . . 37 4.1 Introduction . . . . . . . . . . 37 4.2 The HiCOPS Framework . . . . . . 39 4.3 Optimizations . . . . . . . . . 42 4.4 Results . . . . . . . 44 4.5 Discussion . . . . . . . . . . . 50 References . . . . . . . . . . 55 5 Fast Spectral Pre-processing for Big MS Data . . . . . . 57 5.1 A Review of Spectral Pre-processing Methods . . 57 5.2 MS-REDUCE: An Ultra-Fast Data Reduction Algorithm for Big MS Data . . . . . . 60 5.3 Performance Evaluation of MS-REDUCE . . . . . 66 References . . . . . . . . . . 74 6 A Easy to Use Generalized Template to Support Development of GPU Algorithms . . . . . . . . . 77 6.1 GPU Architecture and CUDA . . . . . . . . . 78 6.2 Challenges in GPU Algorithm Design . . . . . . . . . 80 6.3 Basic Principles of GPU-DAEMON . . . 81 References . . . . . . . . . . 86 7 Computational CPU-GPU Template for Pre-processing of Floating-Point MS Data . . . . . . . . . 89 7.1 Simplifying Complex Data Structures . . . . . . . . . 89 7.2 Efficient Array Management . . . . . . . . . . 90 7.3 In-Wrap Optimizations and Exploiting Shared Memory . 92 7.4 Time Complexity Model . . . . . . 92 7.5 Performance Evaluation . . . . . . . 93 References . . . . . . . . . . 97 8 G-MSR: A GPU-Based Dimensionality Reduction Algorithm . . . . . . 99 8.1 G-MSR Algorithm . . . . . . . . . . . 99 8.2 Results and Experiments . . . . . . 103 References . . . . . . . . . . 110 9 Re-configurable Hardware for Computational Proteomics . 111 9.1 Introduction . . . . . . . . . . 111 9.2 Popular Architectural Configurations Using FPGAs . . . . 112 9.3 FPGA Design for Computational Proteomics . . . 116 9.4 Conclusion . . . . . . . . . . . 124 10 Machine-Learning and the Future of HPC for MS-Based Omics . . . . . . . 125 10.1 Why HPC is Essential for Machine-Learning Models . . . 126 10.2 Preliminary Data and Findings . . . . . . . . 127 References . . . . . . . . . . 128 Glossary . . . . . . . . . 131 Index . . . . . . . . . . . . 137 |
|
|
فهرست به فارسی (ترجمه ماشینی): 1 نیاز به محاسبات با کارایی بالا برای تجزیه و تحلیل داده های Omics مبتنی بر MS. . . . . . . 1 |
|
|
مشخصات فایل |
|
| عنوان (Title): | High-Performance Algorithms for Mass Spectrometry-Based Omics |
| نام فایل (File name): | 1167-www.GeneProtocols.ir-High-Performance Algorithms for Mass Spectrometry-Based Omics-Sprin.pdf |
| عنوان فارسی (Title in Persian): |
الگوریتم های با کارایی بالا برای اومیکس مبتنی بر طیف سنجی جرمی |
| ایجاد کننده: | Fahad Saeed, Muhammad Haseeb |
| زبان (Language): | انگلیسی English |
| سال انتشار: | 2022 |
| شابک ISBN: | 9783031019593 |
| نوع سند (Doc. type): | کتاب |
| فرمت (File extention): | |
| حجم فایل (File size): | 3.42 مگابایت |
| تعداد صفحات (Book length in pages): | 146 |
پس از پرداخت، دانلود فایل آغاز می شود
درباره درگاه پرداخت نکست پی بیشتر بدانید
تمامی درگاه های پرداخت ژنـ پروتکل توسط شرکت دانش بنیان نکست پی پشتیبانی می شود. نکست پی دارای مجوز رسمی پرداختیاری به شماره 1971/ص/98 ، از شرکت شاپرک و بانک مرکزی جمهوری اسلامی ایران و دارای نماد اعتماد در حوزه (متمرکزکنندگان پرداخت) از مرکز توسعه تجارت الکترونیکی وزارت صنعت معدن و تجارت است.
