Please use this identifier to cite or link to this item: http://hdl.handle.net/10662/8142
Full metadata record
DC FieldValueLanguage
dc.contributor.authorGómez Pulido, Juan Antonio-
dc.contributor.authorCerrada Barrios, José Luis-
dc.contributor.authorTrinidad Amado, Sebastián-
dc.contributor.authorLanza Gutiérrez, José Manuel-
dc.contributor.authorFernández Díaz, Ramón-
dc.contributor.authorCrawford, Broderick-
dc.contributor.authorSoto Guzmán, Ricardo-
dc.date.accessioned2018-11-05T12:26:14Z-
dc.date.available2018-11-05T12:26:14Z-
dc.date.issued2016-
dc.identifier.issn1471-2105-
dc.identifier.urihttp://hdl.handle.net/10662/8142-
dc.description.abstractANTECEDENTES: las metaheurísticas se utilizan ampliamente para resolver grandes problemas de optimización combinatoria en bioinformática debido al enorme conjunto de posibles soluciones. Dos problemas representativos son la selección de genes para la clasificación del cáncer y el agrupamiento de los datos de expresión génica. En la mayoría de los casos, estas metaheurísticas, así como otras técnicas no lineales, aplican una función de adecuación a cada solución posible con una población de tamaño limitado, y ese paso involucra latencias más altas que otras partes de los algoritmos, lo cual es la razón por la cual el tiempo de ejecución de las aplicaciones dependerá principalmente del tiempo de ejecución de la función de aptitud. Además, es habitual encontrar formulaciones aritméticas de punto flotante para las funciones de fitness. De esta manera, una paralelización cuidadosa de estas funciones utilizando la tecnología de hardware reconfigurable acelerará el cálculo, especialmente si se aplican en paralelo a varias soluciones de la población. RESULTADOS: una paralelización de grano fino de dos funciones de aptitud de punto flotante de diferentes complejidades y características involucradas en el biclustering de los datos de expresión génica y la selección de genes para la clasificación del cáncer permitió obtener mayores aceleraciones y cómputos de potencia reducida con respecto a los microprocesadores habituales. CONCLUSIONES: Los resultados muestran mejores rendimientos utilizando tecnología de hardware reconfigurable en lugar de los microprocesadores habituales, en términos de tiempo de consumo y consumo de energía, no solo debido a la paralelización de las operaciones aritméticas, sino también gracias a la evaluación de aptitud concurrente para varios individuos de la población en La metaheurística. Esta es una buena base para crear soluciones aceleradas y de bajo consumo de energía para escenarios informáticos intensivos.es_ES
dc.description.abstractBACKGROUND: Metaheuristics are widely used to solve large combinatorial optimization problems in bioinformatics because of the huge set of possible solutions. Two representative problems are gene selection for cancer classification and biclustering of gene expression data. In most cases, these metaheuristics, as well as other non-linear techniques, apply a fitness function to each possible solution with a size-limited population, and that step involves higher latencies than other parts of the algorithms, which is the reason why the execution time of the applications will mainly depend on the execution time of the fitness function. In addition, it is usual to find floating-point arithmetic formulations for the fitness functions. This way, a careful parallelization of these functions using the reconfigurable hardware technology will accelerate the computation, specially if they are applied in parallel to several solutions of the population. RESULTS: A fine-grained parallelization of two floating-point fitness functions of different complexities and features involved in biclustering of gene expression data and gene selection for cancer classification allowed for obtaining higher speedups and power-reduced computation with regard to usual microprocessors. CONCLUSIONS: The results show better performances using reconfigurable hardware technology instead of usual microprocessors, in computing time and power consumption terms, not only because of the parallelization of the arithmetic operations, but also thanks to the concurrent fitness evaluation for several individuals of the population in the metaheuristic. This is a good basis for building accelerated and low-energy solutions for intensive computing scenarios.es_ES
dc.description.sponsorship• Ministerio de Economía y Competitividad y Fondos FEDER. Contrato TIN2012-30685 (I+D+i) • Gobierno de Extremadura. Ayuda GR15011 para grupos TIC015 • CONICYT/FONDECYT/REGULAR/1160455. Beca para Ricardo Soto Guzmán • CONICYT/FONDECYT/REGULAR/1140897. Beca para Broderick Crawfordes_ES
dc.format.extent13 p.es_ES
dc.language.isoenges_ES
dc.publisherBioMed Centrales_ES
dc.rightsAtribución 3.0 España*
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/es/*
dc.subjectAgrupamiento de bloqueses_ES
dc.subjectClasificación oncológicaes_ES
dc.subjectParalelismoes_ES
dc.subjectAritmética de punto flotantees_ES
dc.subjectMetaheurísticaes_ES
dc.subjectFunción de adecuaciónes_ES
dc.subjectBiclusteringes_ES
dc.subjectCancer classificationes_ES
dc.subjectFPGAes_ES
dc.subjectParallelismes_ES
dc.subjectFloating-point arithmetices_ES
dc.subjectMetaheuristicses_ES
dc.subjectFitness functiones_ES
dc.titleFine-grained parallelization of fitness functions in bioinformatics optimization problems: gene selection for cancer classification and biclustering of gene expression dataes_ES
dc.typearticlees_ES
dc.description.versionpeerReviewedes_ES
dc.rights.accessRightsopenAccesses_ES
dc.subject.unesco1203.17 Informáticaes_ES
dc.subject.unesco2414 Microbiologíaes_ES
dc.subject.unesco3201.01 Oncologíaes_ES
dc.identifier.bibliographicCitationGómez Pulido, J. A.; Cerrada Barrios, J. L.; Trinidad Amado, S.; Lanza Gutiérrez, J. M.; Fernández Díaz, R.; Crawford, B y Soto Guzmán, R. (2016). Fine-grained parallelization of fitness functions in bioinformatics optimization problems: gene selection for cancer classification and biclustering of gene expression data. BCM bioinformatics, 17, 330. ESSN 1471-2105es_ES
dc.type.versionpublishedVersiones_ES
dc.contributor.affiliationUniversidad de Extremadura. Departamento de Tecnología de los Computadores y de las Comunicacioneses_ES
dc.contributor.affiliationUniversidad de Leónes_ES
dc.contributor.affiliationPontificia Universidad Católica de Valparaíso. Chilees_ES
dc.contributor.affiliationUniversidad Central de Chilees_ES
dc.contributor.affiliationUniversidad Autónoma de Chilees_ES
dc.contributor.affiliationUniversidad Espíritu Santo. Ecuadores_ES
dc.relation.publisherversionhttps://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-016-1200-9es_ES
dc.relation.publisherversionhttps://doi.org/10.1186/s12859-016-1200-9es_ES
dc.identifier.doi10.1186/s12859-016-1200-9-
dc.identifier.publicationtitleBMC bioinformaticses_ES
dc.identifier.publicationfirstpage1es_ES
dc.identifier.publicationlastpage13es_ES
dc.identifier.publicationvolume17, 330es_ES
Appears in Collections:DTCYC - Artículos

Files in This Item:
File Description SizeFormat 
s12859_016_1200_9.pdf3,71 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons