Optimierung des Rekonstruktions-Tools TSNI für genregulatorische Netzwerke mittels Parallelisierung und ein Vergleich mit Time Delay ARACNE

  • Gegenstand dieser Veröfffentlichung ist eine Reimplementierung des TSNI (Time Series Network Identification)-Tools zur Rekonstruktion von genregulatorischen Netzwerken aus Zeitserien von Gen-Expressionsprofilen. Das auf gewöhnlichen Differentialgleichungen basierende Tool wurde algorithmisch verbessert und an die Verarbeitung großer Datensätze angepasst. Durch Ausschöpfung des Potentials moderner Multi-CPU und GPU-Architekturen wurden die erforderlichen Berechnungen erheblich beschleunigt. Bei der Überführung des mit Matlab implementierten Tools in die Programmiersprache C wurde zudem die ­Bedienbarkeit verbessert. Durch Einsatz der GPU-beschleunigten Mathematik-Bibliothek MAGMA konnten unter Verwendung eines normalen Desktop-Rechners Leistungssteigerungen um das 18,7-fache bei 11.000 Genen verzeichnet werden. Darüber hinaus rekonstruierte das verbesserte TSNI weitaus mehr biologisch richtige Beziehungen als vergleichbare Anwendungen.
  • The purpose of this work was to optimize a tool for analyzing biological high-throughput data and to generate gene regulatory networks, which are based on ordinary differential equations. For this task the Time Series Network Indentification (TSNI) - tool has been selected. The TSNI-algorithm has been optimized and transferred into the programming language C. Computationally intensive sections were parallelized using modern multi-core CPU and GPU architectures as well as functions from the MAGMA-library for the solution and parallelization of more complex mathematical problems. The performance of the algorithm was significantly increased (e.g. the calculation of a network of more than 11.000 genes was 18.7-fold faster with the improved tool compared to the original algorithm). So, large regulatory networks can now be ­analysed in a moderate time. Additionally, more true positive network connections were predicted using the adjusted TSNI - tool.

Download full text files

Export metadata

Additional Services

Share in Twitter Search Google Scholar Statistics
Metadaten
Author:Marco Schäfer, Christian Jetschni, Chong Wang, Heike Pospisil
URN:urn:nbn:de:kobv:526-opus4-10767
DOI:https://doi.org/10.15771/0949-8214_2019_1
ISSN:0949-8214
Parent Title (German):Wissenschaftliche Beiträge 2019
Document Type:Article in a Periodical of the TH Wildau
Language:German
Year of Publication:2019
Publishing Institution:Technische Hochschule Wildau
Release Date:2019/04/11
Volume:23
First Page:7
Last Page:10
Dewey Decimal Classification:5 Naturwissenschaften und Mathematik / 57 Biowissenschaften; Biologie / 570 Biowissenschaften; Biologie
TH Wildau publications:Wissenschaftliche Beiträge
Faculties and institutions:Fachbereich Ingenieur- und Naturwissenschaften
Licence (German):Creative Commons - CC BY-NC-ND - Namensnennung - Nicht kommerziell - Keine Bearbeitungen 4.0 International