МОДЕЛИРОВАНИЕ ДИНАМИКИ ИММУННОГО ОТВЕТА В АНСАМБЛЯХ Т-КЛЕТОК С ПРИМЕНЕНИЕМ ГРАФИЧЕСКИХ ПРОЦЕССОРОВ |
| 3 | |
| 2013 |
| научная статья | 537.86, 530.182 | ||
| 240-245 | конкуренция, динамика клеточных сетей, математическая иммунология, параллельные вычисления, CUDA, OpenMP |
| С использованием технологий параллельных вычислений разработана программа, которая позволила исследовать в численном эксперименте динамику математической модели многоклональной сети Т-лимфоцитов и функцию иммунопротеасомы. Проведен анализ нескольких методов распараллеливания. Использование графического процессора позволило существенно уменьшить длительность вычислений по сравнению с аналогичной реализацией на центральном процессоре. |
 |
| 1 . Hochberg R. Matrix Multiplication with CUDA. A basic introduction to the CUDA programming model. 2012. URL: http://www.shodor.org/media/content//peta-scale/materials/UPModules/matrixMultiplication/moduleDocument.pdf 2 . Honghoon Jang. Neural Network Implementation Using CUDA and OpenMP. Digital Image Computing: Techniques and Applications (DICTA), 2008. P.155–161. 3 . Kumar Aatish, Boyan Zhang. Three Dimensional Fast Fourier Transform CUDA Implementation. Department of Computer Science and Engineering, University of California, San Diego University of California, CSE260, 2012. URL: http://cseweb.ucsd.edu/~baden/ classes/Exemplars/cse260_fa12/3DFFT.pdf 4 . Sanders J., Kandrot E. CUDA by Example: An Introduction to General-Purpose GPU Programming. 2010. P. 312. 5 . GPGPU.org. URL: http://www.gpgpu.org. 6 . NVidia CUDA Programming Guide. URL: http://docs.nvidia.com/cuda/cuda-c-programming-guide /index.html. 7 . OpenCL. URL: www.khronos.org/opencl. 8 . Спецификация OpenMP. URL: http://www. openmp.org/mp-documents/spec30.pdf. 9 . Антонов А.С. Параллельное программирование с использованием технологии OpenMP: Учеб. пособие. М.: Издательство МГУ, 2009. 77 с. 10 . Chapman B. et al. Using OpenMP: Portable Shared Memory Parallel Programming (Scientific and Engineering Computation). 2007. P. 384. 11 . Perelson A., Weisbuch G. Immunology for physicists // Reviews of Modern Physics. 1997. V. 69. P. 1219. 12 . Goldrath A.W., Bevan M.J. Selecting and maintaining a diverse T cell repertoire // Nature. 1999. V. 402. P. 255. 13 . Jameson S.C. Maintaining the norm: T-cell homeostasis // Nature Reviews Immunology. 2002. V. 2. P. 547. 14 . Peters J.M. et al. Distinct 19S and 20S subcomplexes of the 26S proteasome and their distribution in the nucleus and the cytoplasm // The Journal of Biological Chemistry. 2011. V. 269. P. 7709–7718. 15 . Lalit Kumar Sharma et al. Activity-Based Near-Infrared Fluorescent Probe for LMP7: A Chemical Proteomics Tool for the Immunoproteasome in Living Cells // ChemBioChem. 2012. V. 13. P. 1899. 16 . Sijts A.J. et al. MHC class I antigen processing of an adenovirus CTL epitope is linked to the levels of immunoproteasomes in infected cells // The Journal of Immunology. 2000. V. 164. P. 4500–4506. 17 . De Boer R., Perelson A. Competetive control of self-renewing T cell repertoire // International Immunology. 1997. V. 9. P. 779. 18 . Зорин Д.Ю., Иванченко М.В. Динамика иммунного ответа в многоклональных популяциях Т-клеток: роль иммуннопротеасомы // Вестник Нижегородского государственного университета. 2012. № 5(2). C. 92–99. 19 . Or-Guil M. et al. Clonal Expansion of Cytotoxic T Cell Clones: the Role of the Immunoproteasome // Proceedings of the International Symposium on Mathematical and Computational Biology. 2005. P. 199. 20 . Embarrassingly parallel. URL: http://en.wiki-pedia.org/wiki/Embarrassingly_parallel 21 . Alexandrov V. et al. Parallel Monte Carlo Algorithms for Sparse. SLAE Using MPI // PVM/MPI’99, LNCS 1697. 1999. P. 283–290. 22 . Fabrice Bernhard and Renaud Keriven. Spiking neurons on GPUs // International Conference on Computational Science (4). 2006. P. 236–243. 23 . Jayram Moorkanikara Nageswaran et al. Efficient simulation of large-scale spiking neural networks using CUDA graphics processors // IJCNN ’09. University of California, Irvine, 2009. 24 . Udo Seiffert. Artificial neural networks on massively parallel computer hardware // Neurocomputing, 2004. 57:135–150. URL: http://citeseerx.ist.psu.edu/ viewdoc/summary?doi=10.1.1.6.8003. 25 . Uetz R., Behnke S. Large-scale Object Recognition with CUDA-accelerated Hierarchical Neural Networks // Proc. of ICIS. 2009. 26 . Wehner M.F. Results From the parallel UCLA/LLNL atmospheric general circulation model // Proceedings of the 1st International AMIP Сonference, Monterey, CA. 1995. 27 . Kamran Karimi, Neil G. Dickson, Firas Hamze. A Perfomance Comparison of CUDA and OpenCL. arXiv:1005.2581v3. Retrieved 12 January 2012. 28 . Nvidia Tesla M2070. URL: http://www.nvidia. com/docs/IO/43395/BD-05238-001_ v03.pdf. 29 . Intel Xeon L5630. URL: http://ark.intel.com/ products/47927/Intel-Xeon-Processor-L5630-12M-Cache- 2_ 13-GHz-5_86-GTs-Intel-QPI. |