Hröðun víðtækra erfðamengisleita með skjákortum

Genome wide association studies (GWAS) have proven their value, having found hundreds of thousands of associations between genetic variants and phenotypes. GWAS results can have many uses, two examples are identifying causal genes for diseases and aiding in drug development. With increasing dataset sizes, the need for greater computational capacity also increases. Linear and logistic regression models are used to test associations in GWAS. DeCODE genetics routinely needs to fit regression models numbering in the hundreds of billions. This thesis explores offloading compute heavy parts of two programs doing association analysis to GPUs. By optimizing key parts and changing the parallelization architecture used, we end up with multithreaded CPU programs working in tandem with a GPU, resulting in a speedup of 70x-223x when compared to their multithreaded CPU versions.Með víðtækum erfðamengisleitum hefur tekist að sýna fram á tengsl hundruð þúsunda erfðabreytileika og svipgerða. Niðurstöður víðtækra erfðamengisleita hafa mörg notagildi, tvö dæmi eru að finna orsakagen sjúkdóma og aðstoða við lyfjaþróun. Með stækkandi gagnasöfnum eykst þörfin á reiknigetu. Línuleg og tvíkosta aðhvarfsgreiningarlíkön eru notuð til að kanna tengsl í víðtækri erfða- mengisleit. Íslensk erfðagreining þarf reglulega að framkvæma hundruð milljarða aðhvarf- sgreininga. Þessi ritgerð kannar áhrif þess að færa reikniþunga hluta tveggja forrita sem notuð eru til að gera tölfræðipróf í víðtækri erfðamengisleit. Eftir endurskipulagningu á samhliðavinnslu og hröðun lykilhluta forritanna, enduðum við með fjölþráða forrit sem í samvinnu við GPU skilar 70x-223x hröðun þegar þau eru borin saman við fjölþráða CPU útgáfur