DOI: https://doi.org/10.26089/NumMet.v25r434

Применение параллельных вычислений при реализации метода выборки переходных поверхностей

Авторы

  • С. В. Полуян
  • Н. М. Ершов

Ключевые слова:

метод выборки переходных поверхностей
белок-белковые взаимодействия
константа скорости реакции
MPI
Intel oneTBB

Аннотация

Численная оценка константы скорости реакции является важной задачей в области биоинформатики, поскольку константа предоставляет информацию о кинетике связывания компонентов белкового комплекса. Один из подходов к выполнению данной оценки заключается в применении метода выборки переходных поверхностей, в основе которого лежит симуляция переходов между различными состояниями моделируемой системы по нескольким траекториям. Каждое состояние и переход характеризуются оценками энергии взаимодействия между компонентами белкового комплекса. В настоящей работе описаны схемы применения параллельных вычислений при построении множества траекторий. Приводятся принципы применения технологии MPI и библиотеки Intel oneTBB, а также демонстрируются результаты различных экспериментов. Целью исследования является определение наиболее эффективного инструмента параллельного программирования при построении множества траекторий в методе выборки переходных поверхностей в используемых вычислительных системах.

Загрузки

Опубликован

2024-11-20

Выпуск

Том 25 (2024): Выпуск 4.

Раздел

Методы и алгоритмы вычислительной математики и их приложения

Авторы

С. В. Полуян

Государственный университет “Дубна”,
Институт системного анализа и управления,
ул. Университетская, 19, 141982, Дубна
• старший преподаватель

Н. М. Ершов

Московский государственный университет имени М. В. Ломоносова,
факультет вычислительной математики и кибернетики
Ленинские горы, д.1, стр. 52, 119234, Москва
• старший научный сотрудник

Библиографические ссылки

  1. S. S. Khruschev, A. M. Abaturova, A. N. Diakonova, et al., “Multi-Particle Brownian Dynamics Software ProKSim for Protein-Protein Interactions Modeling,” Comput. Res. Model. 5 (1), 47-64 (2013).
    doi 10.20537/2076-7633-2013-5-1-47-64
  2. S. V. Poluyan, D. A. Nikulin, and N. M. Ershov, “Development and Verification of a Score Function for Estimation of Intermolecular Interactions in Protein-Protein Complexes,” in Proc. Int. Conf. on ITTMM, Moscow, Russia, April 17-21, 2023 (RUDN Univ., Moscow, 2023), pp. 231-235.
    https://events.rudn.ru/event/198/attachments/550/1474/ittmm-2023.pdf . Cited November 10, 2024.
  3. D. V. Borisov and A. V. Veselovsky, “Ligand-Receptor Binding Kinetics in Drug Design,” Biomeditsinskaya Khimiya 66 (1), 42-53 (2020).
    doi 10.18097/PBMC20206601042
  4. P. C. T. Souza, S. Thallmair, P. Confitti, et al., “Protein-Ligand Binding with the Coarse-Grained Martini Model,” Nat. Commun. 11, Article Number 3714 (2020).
    doi 10.1038/s41467-020-17437-5
  5. S. Qin, X. Pang, and H.-X. Zhou, “Automated Prediction of Protein Association Rate Constants,” Structure 19 (12), 1744-1751 (2011).
    doi 10.1016/j.str.2011.10.015
  6. R. Alsallaq and H.-X. Zhou, “Electrostatic Rate Enhancement and Transient Complex of Protein-Protein Association,” Proteins 71 (1), 320-335 (2008).
    doi 10.1002/prot.21679
  7. K. Dhusia, Z. Su, and Y. Wu, “Using Coarse-Grained Simulations to Characterize the Mechanisms of Protein-Protein Association,” Biomolecules 10 (7), Article Number 1056 (2020).
    doi 10.3390/biom10071056
  8. J. Rogal and P. G. Bolhuis, “Multiple State Transition Path Sampling,” J. Chem. Phys. 129 (22), Article Number 224107 (2008).
    doi 10.1063/1.3029696
  9. J. Jankauskaité, B. Jiménez-Garcia, J. Dapkünas, et al., “SKEMPI 2.0: An Updated Benchmark of Changes in Protein-Protein Binding Energy, Kinetics and Thermodynamics upon Mutation,” Bioinformatics 35 (3),  462-469 (2019).
    doi 10.1093/bioinformatics/bty635
  10. H. M. Berman, J. Westbrook, Z. Feng, et al., “The Protein Data Bank,” Nucleic Acids Res. 28 (1), 235-242 (2000).
    doi 10.1093/nar/28.1.235
  11. A. V. Sysoyev, A. V. Gorshkov, V. D. Volokitin, et al., “Programming with oneAPI: New Course Heterogeneous Computing,” Vestn. Yuzhn. Ural. Gos. Univ. Ser. Vychisl. Mat. Inf. 11 (3), 45-58 (2022).
    doi 10.14529/cmse220303
  12. Gh. Adam, M. Bashashin, D. Belyakov, et al., “IT-Ecosystem of the HybriLIT Heterogeneous Platform for High-Performance Computing and Training of IT-Specialists,” in Proc. 8th Int. Conf. on Distributed Computing and Grid-Technologies in Science and Education, Dubna, Russia, September 10-14, 2018. CEUR Workshop Proc. 2267, 638-644 (2018).
    https://ceur-ws.org/Vol-2267/638-644-paper-122.pdf . Cited November 10, 2024.
  13. W. E, W. Ren, and E. Vanden-Eijnden, “Simplified and Improved String Method for Computing the Minimum Energy Paths in Barrier-Crossing Events,” J. Chem. Phys. 126 (16), Article Number 164103 (2007).
    doi 10.1063/1.2720838
  14. S. Sahni and G. Vairaktarakis, “The Master-Slave Paradigm in Parallel Computer and Industrial Settings,” J. Glob. Optim. 9 (3-4), 357-377 (1996).
    doi 10.1007/BF00121679
  15. Programming Tool Valgrind.
    https://valgrind.org . Cited November 10, 2024.
  16. Repository with Synthetic Test and Code Fragments.
    https://vcs.uni-dubna.ru/psm/multithreading . Cited November 10, 2024.
  17. S. Williams, A. Waterman, and D. Patterson, “Roofline: An Insightful Visual Performance Model for Multicore Architectures,” Commun. ACM 52 (4), 65-76 (2009).
    doi 10.1145/1498765.1498785
  18. M. Voss, R. Asenjo, and J. Reinders, Pro TBB: C++ Parallel Programming with Threading Building Blocks (Apress, Berkeley, 2019).
    doi 10.1007/978-1-4842-4398-5

Лицензия

Copyright (c) 2024 С. В. Полуян, Н. М. Ершов

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.