Tez No	İndirme	Tez Künye	Durumu
576081		Accelerating the understanding of life's code through better algorithms and hardware design / Yaşamın kodunu anlamayı daha iyi algoritmalar ve donanım tasarımlarıyla hızlandırmak Yazar:MOHAMMED H. K. ALSER MOHAMMED H. K. ALSER Danışman: Assist. Prof. Dr. CAN ALKAN ; Prof. Dr. ONUR MUTLU Yer Bilgisi: İhsan Doğramacı Bilkent Üniversitesi / Mühendislik ve Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2018 160 s.
G¨un¨um¨uzde insan genomları konusundaki anlayı¸sımız, modern bili¸sim teknolojisinin bir bireyin t¨um genomunu hızlı ve do˘gru bir ¸sekilde belirleyebilme yetene˘ginden etkilenmektedir. Ge¸cti˘gimiz on yıl boyunca, y¨uksek verimli dizileme (HTS) teknolojileri, zaman ve maliyette ¨onemli bir azalma ile birlikte, tek bir ¸calı¸smada y¨uz milyonlardan milyarlarcaya kadar DNA par¸cası ¨uretme kabiliyeti sayesinde dikkat ¸cekici biyomedikal ke¸siflere kapı a¸cmı¸stır. Ancak, bu dizileme verisi bollu˘gu mevcut algoritmaların ve donanımların i¸slem kapasitelerinin sınırlarını zorlamaya devam etmektedir. Bir hastanın genomunu analiz etmek i¸cin, "okuma" adı verilen bu par¸caların her biri referans genomundaki aday b¨olgelerle olan benzerliklerine bakılarak, referans genomu ¨uzerine yerle¸stirilir. Yakla¸sık karakter dizgisi e¸sle¸stirme problemi ¸seklinde form¨ule edilen ve hizalama olarak adlandırılan benzerlik hesaplaması, i¸slemsel bir darbo˘gazdır ¸c¨unk¨u: (1) ikinci dereceden devingen programlama algoritmaları kullanılarak hesaplanır ve (2) referans genomundaki aday b¨olgelerin b¨uy¨uk bir b¨ol¨um¨u ile verilen okuma par¸cası birbirlerinden y¨uksek d¨uzeyde farklılık g¨osterdiklerinden dolayı hizalanamaz. Bu ¸sekilde yanlı¸s belirlenen aday b¨olgelerin hizalanabilirli˘gin hesaplanması, g¨un¨um¨uzdeki okuma haritalandırıcı algoritmaların ¸calı¸sma s¨urelerinin b¨uy¨uk b¨ol¨um¨un¨u olu¸sturmaktadır. Bu nedenle, hesaplama olarak maliyetli bu hizalama algoritmalarını ¸calı¸stırmadan ¨once, do˘gru olmayan aday b¨olgeleri tespit edebilen ve bu b¨olgeleri aday b¨olge olmaktan ¸cıkaran, hızlı ve etkili bir filtre geli¸stirmek ¸cok ¨onemlidir. Bu tezde, ¨on hizalama a¸saması olarak i¸slev g¨oren ve yanlı¸s aday konumlarının ¸co˘gunu filtrelemeyi hedefleyen d¨ort yeni algoritma sunuyoruz. Algoritmalarımızı GateKeeper, SLIDER, MAGNET ve SneakySnake olarak adlandırıyoruz. Onerilen ¨on hizalama filtrelerinin ilk temel fikri, iki dizi arasında payla¸sılan ¨ t¨um benzer segmentleri do˘gru bir ¸sekilde tespit ederek y¨uksek filtreleme do˘grulu˘gu sa˘glamaktır. ˙Ikinci temel fikir, ¨onerilen d¨ort filtreleme algoritmamızın hızlandırılması i¸cin modern FPGA'ların ¸cok b¨uy¨uk ¨ol¸cekte paralel mimarisini kullanmaktır. SneakySnake'i esas olarak biyoinformatisyenlerin mevcut olan, donanım karma¸sıklı˘gı ile u˘gra¸smak zorunda olmadıkları emtia masa¨ust¨u ve sunucularında kullanabilmeleri i¸cin geli¸stirdik. On okuma filtreleme yakla¸sımımızın ¨ avantaj ve dezavantajlarını 12 ger¸cek veri setini, farklı okuma uzunlukları ve mesafe e¸sikleri kullanarak ayrıntılı olarak de˘gerlendirdik. De˘gerlendirmemizde, donanım ¨on hizalama filtrelerimizin e¸sde˘ger CPU uygulamalarına g¨ore iki ila ¨u¸c derece hızlı olduklarını g¨osteriyoruz. Donanım ¨on hizalama filtrelerimizi son teknoloji okuma hizalayıcılarıyla entegre etmenin hizalayıcının ¸calı¸sma s¨uresini d¨uzenleme mesafesi e¸si˘gine ba˘glı olarak 21.5x. Son olarak, ¨on hizalama filtrelerinin etkin CPU uygulamasının hala ¨onemli faydalar sa˘gladı˘gını g¨osteriyoruz. SneakySnake'in en iyi performansa sahip CPU tabanlı okuma ayarlayıcıları Edlib ve Parasail'in y¨ur¨utme s¨urelerini sırasıyla 43x ve 57,9x'e kadar azalttı˘gını g¨osteriyoruz. Bu tezin ana sonucu, hızlı ve verimli bir filtreleme mekanizması geli¸stirilmesi ve bu mekanizmanın do˘grulu˘gunun daha iyi anla¸sılması, hizalayıcıların yeteneklerinden hi¸cbir ¸sey ¨od¨un vermeden, okuma hizalamasının ¸calı¸sma s¨uresinde ¨onemli bir azalmaya yol a¸cmaktadır. Yeni mimarilerimizin ve algoritmalarımızın, mevcut ve gelecekteki genom analiz planlarında benimsenmelerini katalize etti˘gimizi umuyor ve buna inanıyoruz.
Our understanding of human genomes today is affected by the ability of modern computing technology to quickly and accurately determine an individual's entire genome. Over the past decade, high throughput sequencing (HTS) technologies have opened the door to remarkable biomedical discoveries through its ability to generate hundreds of millions to billions of DNA segments per run along with a substantial reduction in time and cost. However, this flood of sequencing data continues to overwhelm the processing capacity of existing algorithms and hardware. To analyze a patient's genome, each of these segments - called reads - must be mapped to a reference genome based on the similarity between a read and "candidate" locations in that reference genome. The similarity measurement, called alignment, formulated as an approximate string matching problem, is the computational bottleneck because: (1) it is implemented using quadratic-time dynamic programming algorithms, and (2) the majority of candidate locations in the reference genome do not align with a given read due to high dissimilarity. Calculating the alignment of such incorrect candidate locations consumes an overwhelming majority of a modern read mapper's execution time. Therefore, it is crucial to develop a fast and effective filter that can detect incorrect candidate locations and eliminate them before invoking computationally costly alignment algorithms. In this thesis, we introduce four new algorithms that function as a prealignment step and aim to filter out most incorrect candidate locations. We call our algorithms GateKeeper, Slider, MAGNET, and SneakySnake. The first key idea of our proposed pre-alignment filters is to provide high filtering accuracy by correctly detecting all similar segments shared between two sequences. The second key idea is to exploit the massively parallel architecture of modern FPGAs for accelerating our four proposed filtering algorithms. We also develop an efficient CPU implementation of the SneakySnake algorithm for commodity desktops and servers, which are largely available to bioinformaticians without the hassle of handling hardware complexity. We evaluate the benefits and downsides of our pre-alignment filtering approach in detail using 12 real datasets across different read length and edit distance thresholds. In our evaluation, we demonstrate that our hardware pre-alignment filters show two to three orders of magnitude speedup over their equivalent CPU implementations. We also demonstrate that integrating our hardware pre-alignment filters with the state-of-the-art read aligners reduces the aligner's execution time by up to 21.5x. Finally, we show that efficient CPU implementation of pre-alignment filtering still provides significant benefits. We show that SneakySnake on average reduces the execution time of the best performing CPU-based read aligners Edlib and Parasail, by up to 43x and 57.9x, respectively. The key conclusion of this thesis is that developing a fast and efficient filtering heuristic, and developing a better understanding of its accuracy together leads to significant reduction in read alignment's execution time, without sacrificing any of the aligner' capabilities. We hope and believe that our new architectures and algorithms catalyze their adoption in existing and future genome analysis pipelines.