English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Large-scale scientific experiments are considered complex due to modeling of their activities, execution and big data analyses. In bioinformatics these experiments are modeling as scientific workflows using the High Performance Computing and data science concepts. This research paper presents the ParslRNA-Seq workflow for RNA-Seq experiments and analyses of performance execution on the Santos Dumont supercomputer using real data. The results show an improvement on performance, by comparing to execution on traditional way without parallelization and via Web, from 3 days to 11 hours, with reproducibility of biological results, by comparing ParslRNA-Seq to tradicional or Web application execution. The workflow multithreading execution also indicates that the parametrization is dependent on Parsl and bowtie use. Resumo. Experimentos cientı́ficos em larga escala são considerados complexos devido à modelagem de suas atividades, execução e análises de grandes volumes de dados. Na bioinformática esses experimentos são modelados como workflows cientı́ficos utilizando conceitos de computação de alto desempenho e ciência de dados. Neste artigo apresentamos o workflow ParslRNA-Seq para experimentos de RNA-Seq e análises de desempenho das execuções realizadas no supercomputador Santos Dumont usando dados reais. Os resultados mostram uma melhora no desempenho, quando comparado às execuções realizadas da forma tradicional sem paralelização e via Web, de 3 dias para 11 horas, com reproducibilidade de resultados de dados biológicos sensı́veis. A execução multithreading do workflow indica também que a parametrização é dependente do Parsl e da atividade bowtie. 1. Introdução Com o surgimento de novas tecnologias nas áreas de sequenciamento biológico e biologia computacional, um grande volume de dados vem sendo produzido. A complexidade do processamento e análise desses dados traz um desafio para o meio computacional devido à necessidade de acoplar infraestruturas e tecnologias especializadas no âmbito de pesquisas em bioinformática. A tecnologia de Sequenciamento RNA (RNA-Seq) é utilizada na área de bioinformática no estudo do transcriptoma que é o conjunto de transcritos de uma célula em uma dada condição fisiológica ou de desenvolvimento. Experimentos de RNA-Seq tratam da análise de expressão diferencial de genes [Love et al. 2014] e se caracterizam por serem complexos, com longa duração, computacionalmente intensivos e pela produção de grande volume de dados. Experimentos de RNA-Seq apresentam depêndencias entre as suas atividades e podem ser representados como workflows cientı́ficos [Cordeiro et al. 2013]. Um workflow cientı́fico é uma forma de representar, abstratamente, o encadeamento entre atividades dentro de um cenário experimental automatizando os processos experimentais, de modo computacional, e dando maior controle sobre eles [Braghetto and Cordeiro 2014]. Devido as caracterı́sticas computacionais desse tipo de experimento é necessário utilizar ferramentas capazes de gerenciar a execução paralela e distribuı́da dos workflows em ambientes de Computação de Alto Desempenho (CAD) [Mattos et al. 2008]. É possı́vel encontrar uma variedade de pipelines do workflow RNA-Seq já modeladas como, RSeqFlow e Wedring. No entanto, esses trabalhos mantém como objetivo principal a análise de dados reais do experimento, e não no desempenho e otimização com a utilização de ambientes de CAD. Há também, sistemas de gerência baseados em web, que permitem a modelagem de workflows para serem executados de forma automática, utilizando para isso a plataforma do administrador, como o Galaxy1. Contudo, a preocupação ainda reside em análises e não em desempenho. O presente trabalho apresenta, então, a modelagem do workflow de RNA-Seq, denominado ParslRNA-Seq e as respectivas análises de desempenho em ambiente de supercomputação. Os estudos de desempenho visam determinar as melhores combinações de parametrização das atividades que compõem o workflow e os recursos oferecidos pelo Parsl para ambientes CAD, permitindo o uso racional e eficiente dos recursos computacionais e a diminuição do tempo computacional de execução. 2. Workflow Cientı́fico RNA-Seq A seção 2.1 traz informações sobre as atividades do workflow e sua modelagem. A seguir, na seção 2.2, uma breve descrição sobre a ferramenta Parallel Scripting Library (Parsl) e como ela foi configurada para execução no supercomputador Santos Dumont2 (SDumont). A seção 2.3 discorre sobre a infraestrutura de CAD e como seus recursos estão sendo utilizados. Por fim, a seção 2.4 traz breves informações sobre a disposição dos dados biológicos para execução do workflow.

Avaliação de Desempenho de um Workﬂow Cientíﬁco para Experimentos de RNA-Seq no Supercomputador Santos Dumont