稀疏线性代数加速生物样本库规模的基因型表示图计算

由 root 提交于 周六, 10/17/2026 - 18:05
摘要

生物样本库规模的基因组分析日益受到计算成本的制约,因为此类分析需要同时处理数十万至数百万个样本和变异。基因型表示图(genotype representation graph,GRG)通过紧凑编码群体遗传变异来加速计算,但现有方法尚未充分利用现代加速器架构。本研究提出 Mikado,一种利用稀疏线性代数原语表达基于 GRG 的计算的新方法。在对图节点采用逆拓扑排序后,GRG 的邻接矩阵呈严格分块下三角结构,基因型矩阵与向量的乘积运算可转化为稀疏三角线性系统求解,并进一步分解为由分块稀疏矩阵–向量乘法组成的流水线计算序列。通过将计算与图表示解耦,我们的方法揭示了细粒度并行性,并支持在 GPU 上使用针对硬件优化的稀疏计算原语。与原始的 GRG 遍历方法相比,Mikado 在主成分分析(PCA)和 BOLT-LMM 中实现了数量级的加速与成本节约,在 All of Us 队列上亦是如此。它为生物样本库规模的群体遗传学研究提供了一种可扩展、可跨硬件平台移植且便于研究人员使用的工具。

稀疏线性代数加速生物样本库规模的基因型表示图计算 | bioRxiv

跳转至主要内容

首页

关于

投稿

提醒 / RSS

搜索此关键词

高级搜索

最新结果

稀疏线性代数加速生物样本库规模的基因型表示图计算

查看 ORCID 个人资料

Yifan

Li

,

查看 ORCID 个人资料

Qingyao

Sun

,

查看 ORCID 个人资料

Drew

DeHaas

,

查看 ORCID 个人资料

Max Xiaohang

Zhao

,

查看 ORCID 个人资料

Adam A.

Boyko

,

查看 ORCID 个人资料

Shaila A.

Musharoff

,

查看 ORCID 个人资料

Xinzhu

Wei

,

查看 ORCID 个人资料

Giulia

Guidi

doi:

https://doi.org/10.64898/2026.09.10.750583

Yifan Li

1

康奈尔大学;

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在本站搜索此作者

Yifan Li 的 ORCID 记录

Qingyao Sun

1

康奈尔大学;

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在本站搜索此作者

Qingyao Sun 的 ORCID 记录

Drew DeHaas

1

康奈尔大学;

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在本站搜索此作者

Drew DeHaas 的 ORCID 记录

Max Xiaohang Zhao

2

Cerebras Systems 公司

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在本站搜索此作者

Max Xiaohang Zhao 的 ORCID 记录

Adam A. Boyko

1

康奈尔大学;

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在本站搜索此作者

Adam A. Boyko 的 ORCID 记录

Shaila A. Musharoff

1

康奈尔大学;

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在本站搜索此作者

Shaila A. Musharoff 的 ORCID 记录

Xinzhu Wei

1

康奈尔大学;

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在本站搜索此作者

Xinzhu Wei 的 ORCID 记录

Giulia Guidi

1

康奈尔

大学;

在 Google Scholar 上查找该作者

在 PubMed 上查找该作者

在本站搜索该作者

Giulia Guidi 的 ORCID 记录

通信联系:

gguidi{at}cornell.edu

摘要

信息/历史

指标

数据/代码

预览 PDF

摘要

随着需要联合分析的样本和变异数量达到数十万乃至数百万,生物样本库规模的基因组分析日益受到计算成本的制约。基因型表示图(genotype representation graph,GRG)通过紧凑编码群体遗传变异来加速计算,但现有方法尚未利用现代加速器架构。本研究提出 Mikado,这是一种使用稀疏线性代数原语来表达基于 GRG 的计算的新方法。在对图节点进行逆拓扑排序后,GRG 的邻接矩阵呈严格分块下三角形式,基因型矩阵与向量的乘积运算因而转化为稀疏三角求解,并可进一步分解为由分块稀疏矩阵-向量乘法组成的流水线序列。通过将计算与图表示解耦,我们的方法揭示了细粒度并行性,并支持在 GPU 上使用针对硬件优化的稀疏计算原语。与原始 GRG 遍历方法相比,Mikado 在 PCA 和 BOLT-LMM 计算中实现了数量级的加速和成本节约,其中包括对 All of Us 队列的分析。它为生物样本库规模的群体遗传学研究提供了一种可扩展、可跨硬件平台移植且便于研究人员使用的工具。

利益冲突声明

作者声明不存在利益冲突。

脚注

https://github.com/CornellHPC/mikado/releases/tag/v0.2

https://portal.nersc.gov/cfs/m4341/mikado/

已声明的资助方信息

美国国家科学基金会(NSF)

,IIS- 243580

美国国立卫生研究院(NIH)

,R35-GM150579

版权

本预印本的版权所有者为作者/资助方,其已授予

授予 bioRxiv 永久展示该预印本的许可。

本文依据

CC-BY 4.0 国际许可协议

提供。

返回顶部

上一篇

发布于2026年9月12日。

下载 PDF

数据/代码

电子邮件

感谢您有意帮助传播 bioRxiv 的内容。

注意:索取您的电子邮件地址仅用于确认您是本文的发送者。

您的电子邮件地址

*

您的姓名

*

收件人

*

请输入多个地址,每行一个,或用逗号分隔。

您将通过电子邮件发送以下内容

稀疏线性代数加速生物样本库规模的基因型表示图计算

邮件主题

(您的姓名)向您转发了 bioRxiv 上的一个页面

邮件正文

(您的姓名)认为您可能希望查看 bioRxiv 网站上的此页面。

您的个人留言

验证码

此问题用于验证您是否为人类访问者,并防止自动提交垃圾信息。

分享

稀疏线性代数加速生物样本库规模的基因型表示图计算

Yifan

Li

,

Qingyao

Sun

,

Drew

DeHaas

,

Max Xiaohang

Zhao

,

Adam A.

Boyko

,

Shaila A.

Musharoff

,

Xinzhu

Wei

,

Giulia

Guidi

bioRxiv

2026.09.10.750583;

doi:

https://doi.org/10.64898/2026.09.10.750583

分享本文:

复制

引文工具

稀疏线性代数加速生物样本库规模的基因型表示图计算

Yifan

Li

,

Qingyao

Sun

,

Drew

DeHaas

,

Max Xiaohang

Zhao

,

Adam A.

Boyko

,

Shaila A.

Musharoff

,

Xinzhu

Wei

,

Giulia

Guidi

bioRxiv

2026.09.10.750583;

doi:

https://doi.org/10.64898/2026.09.10.750583

文献管理器格式

BibTeX

Bookends

EasyBib

EndNote(带标签)

EndNote 8(xml)

Medlars

Mendeley

Papers

RefWorks 带标签格式

Ref Manager

RIS

Zotero

推文小组件

Facebook 点赞

Google Plus One

学科领域

所有文章

动物行为与认知

(7982)

生物化学

(18684)

生物工程

(14803)

生物信息学

(44270)

生物物理学

(22528)

肿瘤生物学

(19650)

细胞生物学

(26810)

临床试验

(138)

发育生物学

(13915)

生态学

(20939)

流行病学

(2067)

进化生物学

(25399)

遗传学

(16127)

基因组学

(23440)

免疫学

(18638)

微生物学

(42347)

分子生物学

(17989)

神经科学

(93133)

古生物学

(695)

病理学

(2974)

药理学与毒理学

(5075)

生理学

(8083)

植物生物学

(15944)

科学传播与教育

(2094)

合成生物学

(4546)

系统生物学

(10199)

动物学

(2378)

关键词:基因型表示图 · 稀疏线性代数 · 群体遗传学 · GPU加速 · 生物样本库

原文链接:https://www.biorxiv.org/content/10.64898/2026.09.10.750583v1?rss=1