用于癌症组织异质性分析的共轭指数模型的 GPU 加速
分布式、并行与集群计算
2024-01-31 v1 定量方法
摘要
癌症组织细胞群体的异质性给癌症诊断和治疗带来了诸多挑战。在癌症研究背景下，利用基因表达测量数据研究细胞群体的异质性是一个至关重要的问题。此外，减少处理海量数据的算法的计算时间具有显而易见的优势。使用马尔可夫链蒙特卡洛方法的可并行模型通常速度较慢。本文展示了一种新颖、计算高效且可并行的模型，利用 GPU 分析癌症组织的异质性。由于我们的模型是可并行的，只要硬件资源未耗尽，输入数据的大小就不会显著影响计算时间。我们的模型使用 qPCR（定量聚合酶链反应）基因表达测量值来研究癌症组织的异质性。我们通过在 GPU 上加速变分方法来计算细胞比例分解。我们在合成数据和从成纤维细胞收集的真实世界基因表达数据上测试了该模型，并将我们算法的性能与 MCMC 和期望最大化算法进行了比较。我们的新模型在计算复杂度上低于现有的癌症组织异质性贝叶斯模型，且速度更快。
引用
@article{arxiv.2401.10068,
title = {GPU Acceleration of a Conjugate Exponential Model for Cancer Tissue Heterogeneity},
author = {Anik Chaudhuri and Anwoy Mohanty and Manoranjan Satpathy},
journal= {arXiv preprint arXiv:2401.10068},
year = {2024}
}