Accelerating Molecular Docking by Parallelized Heterogeneous Computing - A Case Study of Performance, Quality of Results, and Energy-Efficiency using CPUs, GPUs, and FPGAs

• Autor: Solis Vasquez, Leonardo
• Formato: tesis doctoral
• Fecha de Publicación: 2019
• Institución: Superintendencia Nacional de Educación Superior Universitaria
• Repositorio: Registro Nacional de Trabajos conducentes a Grados y Títulos - RENATI
• Lenguaje: inglés
• OAI Identifier: oai:renati.sunedu.gob.pe:renati/1092
• Enlace del recurso: http://renati.sunedu.gob.pe/handle/sunedu/752626; https://doi.org/10.25534/tuprints-00009288
• Nivel de acceso: acceso abierto
• Materia: Diseño asistido por computadora; Algoritmos genéticos; Eficiencia de energía; http://purl.org/pe-repo/ocde/ford#1.02.01

Molecular Docking (MD) es una herramienta clave en el diseño de medicamentos asistido por computadora. AutoDock es un código MD ampliamente utilizado que ejecuta un algoritmo genético lamarckiano (LGA) y, el método Solis-Wets como algoritmo de búsqueda local. Este tesis presenta una paralelización de AutoDock basasa en OpenCL, y su evaluación correspondientes en términos de rendimiento de ejecución, calidad de resultados y eficiencia de cálculo de energía, lograda en CPUs, GPUs y FPGAs. Si bien un enfoqu de paralelización basada en datos ha demostrado su efectividad en CPUs y GPUs, se observó que para FPGAs, dicho enfoque resultó en ejecuciones más lentas. Para superar este inconveniente, también se analiza una paralelización basada en tareas para FPGAs. Además, esta tesis amplía la búsqueda de LGA con nuevos métodos alternativos de búsqueda local basados en gradientes. Entre estos, se descubrió que ADADELTA produce una reducción en el esfuerzo de cálculo de hasta 1/1300 del método Solis-Wets, al tiempo que logra una calidad de resultados equivalente. En comparación con el AutoDock original (single-threaded), la implementación paralela basada en datos propuesta logra una aceleración de hasta 399x y mejora la eficiencia de la energía de cómputo en hasta 297x cuando se ejecuta en modernos GPUs V100.