Title:	Computação paralela aplicada à seleção genômica via inferência Bayesiana.
Authors:	LAGROTTA, M. R. SILVA, F. F. e RESENDE, M. D. V. de NASCIMENTO, M. DUARTE, D. A. S. AZEVEDO, C. F. MOTA, R. R.
Affiliation:	Marcos Rodrigues Lagrotta, Universidade Federal dos Vales do Jequitinhonha e Mucuri; Fabyano Fonseca e Silva, UFV; MARCOS DEON VILELA DE RESENDE, CNPF; Moysés Nascimento, UFV; Darlene Ana Souza Duarte, UFV; Camila Ferreira Azevedo, UFV; Rodrigo Reis Mota, University of Liège.
Date Issued:	2017
Citation:	Revista Brasileira de Biometria, Lavras, v. 35, n. 3, p. 440-448, 2017.
Description:	Em seleção genômica (SG), o grande número de marcadores moleculares utilizados, bem como a demanda computacional dos modelos bayesianos, fundamentados nos algoritmos Monte Carlo Via Cadeias de Markov, faz com que as análises exijam semanas ou até meses de processamento. A computação paralela representa uma solução natural para este problema, visto que esta subdividi um algoritmo em várias tarefas independentes, as quais podem ser processadas em paralelo, reduzindo o tempo de processamento. Objetivou-se comparar a eficiência de processamento do método BayesCπ programado em paralelo com o seu algoritmo sequencial padrão. Duas estratégias de paralelização foram estudadas. A primeira envolveu a análise de múltiplas cadeias MCMC em paralelo, e a segunda referiu-se à paralelização de uma única cadeia MCMC. Utilizou-se a biblioteca MPI e o pacote OpenMPI associado ao compilador gfortran para execução em paralelo desses algoritmos. Foram utilizados dados simulados considerando 10.000 marcadores SNPs e 4.100 indivíduos. O algoritmo sequencial padrão foi processado em 77,29 horas. Ao usar múltiplas cadeias em paralelo o processamento foi 77% mais rápido (17,75hs), enquanto que a estratégia de paralelização de uma única cadeia apresentou um ganho de desempenho de 15% (65,37hs). Conclui-se que a computação paralela é eficiente e pode ser aplicada à SG.
NAL Thesaurus:	Statistics Genetic improvement
Keywords:	Marcadores SNP Regressão Bayesiana
Type of Material:	Artigo de periódico
Access:	openAccess
Appears in Collections:	Artigo em periódico indexado (CNPF)