gpuGEM：基于 GPU 的基因组尺度代谢模型线性优化
gpuGEM: GPU-based linear optimisation of genome-scale metabolic models
预印本 · 尚未经过同行评审
gpuGEM 用 GPU 加速代谢模型线性优化，比 HiGHS 快 1.1 至 94 倍。
基因组尺度代谢模型在重复优化中日益对 CPU 线性规划求解器构成挑战。我们提出 gpuGEM，一个基于 NVIDIA cuOpt 的开源 Python 库，用于 GPU 优化，并采用尺寸自适应设置，已对照 HiGHS 和 Gurobi 验证。在跨越四个数量级的十个模型上，gpuGEM 相比更快的 HiGHS 方法（对偶单纯形法或内点法）实现了 1.1 倍至 94 倍的加速，并在三个模型上优于 Gurobi（1.6 倍至 2.5 倍）。在候选基因优先级排序中，gpuGEM 将端到端查询时间从 41 秒缩短至 21 秒。可用性与实现：gpuGEM 以 MIT 许可证发布，地址为 https://github.com/Digital-Metabolic-Twin-Centre/gpuGEM，并在 PyPI 上提供（pip install gpugem）；v0.1.3 版本存档于 https://zenodo.org/records/23422813。它需要计算能力 7.0 或更新（Volta 及以后）的 NVIDIA GPU、Python 3.11 或更高版本、CUDA 12 以及 cuOpt 26.6 或更高版本。联系方式：ronan.mt.fleming@gmail.com 补充信息：补充数据可作为 arXiv 上的附属文件获取。
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv · Quantitative Methods · arxiv.org