Génomique et GPU. Jean Michel Batto

Transcription

1 Génomique et GPU Jean Michel Batto INRA, Laboratoire de Génétique Microbienne Centre de Recherche de Jouy en Josas (78) Forum Ecole Supélec (91), 1 er Juillet

2 Génomique : une donnée simple L ADN : une chaine de texte dans un alphabet de 4 lettres (A, T, C, G) 2

3 Génomique : une donnée encore simple Les objets d intérêt : ADN ARN Protéines Structures 3

4 La diversité des structures de données Les ordres de grandeurs Gène >1..n protéines : lettres ARN messager : ~ lettres ARN antisens : ~100 lettres Opéron : ~ 3 gènes Plasmide/Virus/Phage : ~100 gènes Un génome bactérien : ~2000 gènes Un génome humain : ~30000 gènes 4

5 Que faire avec les données brutes? Un génome est une collection d informations Des données brutes associées à des fonctions Des fonctions inconnus 5

6 Par identification, prédiction des fonctions 6

7 Ces prédictions sont difficiles : La prédiction dépend de la qualité du corpus Par exemple : rôle des gènes des phages > dans un génome bactérien on peut avoir 15% des gènes qui sont des séquences répétées La complexité est exponentielle : un modèle = (organisation gènes)* (interactions)* (régulations) 7

8 La loi de Moore et la génomique Evolution de la puissance CPU 1E+10 1E effectif transistors processeur x86 effectif transistors processeur x86 Expon. (effectif transistors processeur x86) L effectif du nombre de transistors du x86 le plus puissant, double tous les 18 mois 8

9 La loi de Moore et la génomique Evolution de la taille des banques de séquence 1E+12 1E+11 1E+10 1E+09 Genbank EMBL effectif transistors processeur x86 Expon. (effectif transistors processeur x86) La taille totale double tous les ~ 18 mois Sources : EMBL et NCBI 9

10 La loi de Moore et la génomique Apport des données brutes en bp/jour 1E+12 1E+11 1E+10 1E Genbank EMBL Puissance séquenceur bp/jour effectif transistors processeur x86 Expon. (Puissance séquenceur bp/jour) Les séquenceurs haut débits > technologie nouvelle De l ordre de la loi de Moore. 10

11 La génomique haut débit Des nouveaux séquenceurs haut débit (2008) 454 Roche 240 Mb / 8h Solexa Illumina 400 Mb / jour Solid Applied Biosystems 1200 Mb / jour 1200 X ce que produit un séquenceur de

12 La génomique haut débit : un début fulgurant Octobre 2008 : Un déluge d informations 12

13 Une application : Le métagénome humain Un nouveau champ d investigation: Dans le tractus digestif, il y a 1 à 2 kg de bactéries Il y a plus de 1000 espèces présentes L intestin est un organe clé dans la réponse immunitaire Projet MetaHIT : 13

14 La production et les traitements La base de données du Sanger Institute (2006) : 22 To de chromatogrammes La production de connaissances de MetaHIT : 150 fois le génome humain 3 millions de gènes annotés Une projection du coût d analyse sur Solexa dans 5 ans : 1000 $ >il faut des outils de traitements non attachés à des supercalculateurs 14

15 Le multicore et le GPU SISD : Pas de Parallélisme : 1 instruction X 1 donnée SIMD : Single Instruction Multiple Data SSE, MMX, GPU MIMD : Multiple Instruction Multiple Data Multicore, GPU Source : wikipedia / Flynn s taxonomy 15

16 Utilisation du GPU en bioinformatique 2005 : RAxML / Phylogeny / BrookGPU gain gpu/cpu : 2,3x 2006 : GPU ClustalW / mult. alignement / OpenGL gain gpu/cpu : 11,2x 2007 : MUMmerGPU / mult. alignement / CUDA gain gpu/cpu : 3,8x 2008 : Smith Waterman / algo alignement / CUDA gain gpu/cpu : 2,4x 2009 : GPU HMMER / HMM / CUDA gain gpu/cpu : 30x 16

17 Du point de vue de l utilisateur Accès en ligne de commande Après compilation, sur une machine linux Accès via une API Python Comment concilier la haute spécificité du GPU et l utilisateur? architecture 3 tiers 17

18 Perspectives : une architecture 3 tiers pour valoriser les outils bioinformatiques GPU HTML/SOAP -métagénomique Primitives OpenCL -prétraitements -indexation Frontal WEB/SOA Accès aux outils de traitements Poste utilisateur 18

19 Cohérence dans le projet FUI OpenGPU Panel utilisateurs INRA : Applications autour du métagénome Facilite les investigations Validation du scénario d utilisation Implémentation bioinformatique 3 tiers : OpenCL Diffusion du code et validation Codes bioinformatiques Défini un domaine de validation du gain et enrichi la base de connaissance Problématique algorithmique à travers Tfold / IBISC Fariza Tahi exploration de l impact OpenCL 19

20 Perspectives : le début d une nouvelle industrie L apport des séquenceurs haut débits La mise à disposition des résultats scientifiques autour du métagénome La création et l utilisation d outils de navigation/requêtage >une nouvelle industrie de la santé : ie : 20

21 Remerciements : INRA Fouad Boumezbeur Nicolas Pons Sean Kennedy Alexander Bolotine Pierre Renault S. Dusko Ehrlich AS+ Benjamin Candelon LIFL CNRS Mathieu Giraud IBISC CNRS Fariza Tahi 21