logo móvil
Contáctanos

El algoritmo ForkJoinPcc para calcular la matriz Pcc en redes de co-expresión génica

Autores: Alhussan, Amel Ali; AlEisa, Hussah Nasser; Atteia, Ghada; Solouma, Nahed H.; Seoud, Rania Ahmed Abdel Azeem Abul; Ayoub, Ola S.; Ghoneim, Vidan F.; Samee, Nagwan Abdel

Idioma: Inglés

Editor: MDPI

Año: 2022

Descargar PDF

Acceso abierto

Artículo científico
2022

El algoritmo ForkJoinPcc para calcular la matriz Pcc en redes de co-expresión génica


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Eléctrica y Electrónica

Palabras clave

Microarrays
Genes
Pearson"s correlation coefficient
Parallel algorithm
ForkJoinPcc
Speedupmicroarrays
Genes
Coeficiente de correlación de Pearson
Algoritmo paralelo
ForkJoinPcc
Aceleración

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 24

Citaciones: Sin citaciones


Descripción
Los microarreglos de alto rendimiento contienen una gran cantidad de genes. Determinar las relaciones entre todos estos genes es un cálculo que consume mucho tiempo. En este artículo, los autores proporcionan un algoritmo paralelo para encontrar el coeficiente de correlación de Pearson entre genes medidos en los microarreglos de Affymetrix. La idea principal en el algoritmo propuesto, ForkJoinPcc, imita el conocido modelo de programación paralela: el modelo de bifurcación y unión. Las APIs paralelas de MATLAB han sido utilizadas y evaluadas en sistemas de multiprocesamiento compartido o distribuido. Dos métricas de rendimiento: los tiempos de procesamiento y comunicación, se han utilizado para evaluar el rendimiento del ForkJoinPcc. Los resultados experimentales revelan que el algoritmo ForkJoinPcc logra una aceleración sustancial en la plataforma de clúster de 62x en comparación con una aceleración de 3.8x en la plataforma multinúcleo.

Otros recursos que podrían interesarte

Temas Virtualpro