| Summary: | Made available in DSpace on 2015-04-14T14:49:44Z (GMT). No. of bitstreams: 1
438211.pdf: 1765612 bytes, checksum: c7adb8a9601c78a38e044070d6b5568e (MD5)
Previous issue date: 2012-04-12 === Simula??es de docagem molecular de modelos de receptores totalmente flex?veis (Fully-Flexible Receptor - FFR) est?o se tornando cada vez mais frequentes. Entretanto, tais simula??es exigem alto n?vel de processamento e sua execu??o sequencial pode se tornar uma tarefa impratic?vel. Este trabalho apresenta um middleware, chamado Middleware de Receptores Flex?vel (Flexible Receptor Middleware FReMI), que auxilia a reduzir o tempo total de execu??o nas simula??es de docagem molecular de receptores totalmente flex?veis. FReMI manipula uma quantidade intensiva de dados e tarefas para executar a triagem virtual de modelos de receptores totalmente flex?veis, e prov? interoperabilidade entre o web workflow de docagem de receptores flex?veis (Web Fully-flexible Docking Workflow - W-FReDoW) e dois diferentes ambientes de alto desempenho (High Performance Computing HPC). FReMI utiliza protocolos de internet para comunicar com o W-FReDoW , o qual auxilia na redu??o da dimens?o do modelo FFR por meio de um padr?o de dados. Al?m disso, FReMI envia tarefas de simula??es de docagem para serem executadas em um cluster dedicado e tamb?m em um alternativo modelo de cluster virtual constru?do por meio de nuvens de computadores el?sticos da Amazon (Amazon s Elastic Compute Cloud EC2). Os resultados apresentam uma arquitetura conceitual do FReMI e dois conjuntos de experimentos a partir da execu??o do FReMI. O primeiro conjunto relatou os experimentos realizados com FReMI, usando uma amostra de snapshots a partir de um modelo FFR e os dois ambientes HPC. O segundo conjunto descreveu os experimentos, com um conjunto de dados completo, executando FReMI e W-FReDoW apenas em um ambiente de cluster MPI constru?do com as inst?ncias da Amazon EC2. Os resultados do ?ltimo conjunto de experimentos apresentaram uma redu??o na dimensionalidade do modelo FFR, transformando ele um modelo de receptor flex?vel totalmente reduzido (Reduced Fully-Flexible Receptor Model RFFR), por meio do descarte de conforma??es n?o promissoras identificadas pelo W-FReDoW. Al?m disso, a redu??o do tempo total de execu??o do FReMI com o W-FReDoW foi entre 10 a 30% a partir da execu??o separada do FReMI, e de aproximadamente 94% do FReMI a partir da sua respectiva execu??o sequencial. === Molecular docking simulations of Fully-Flexible Protein Receptor (FFR) models are coming of age. However, they are computer intensive and their sequential execution can became an unfeasible task. This study presents a middleware, called Flexible Receptor Middleware (FReMI), to assist in faster docking simulations of flexible receptors. FReMI handles intensive tasks and data of totally fully-flexible receptor models in virtual screening and, provides the interoperability between a Web Fully-flexible Docking Workflow (W-FReDoW) and two different High Performance Computing (HPC) environments. FReMI uses internet protocols to communicate with W-FReDoW which helps to reduce the FFR model dimension with a data pattern. Also it sends tasks of docking simulations to execute in a HPC of dedicated cluster and; an alternative model of virtual cluster built on Amazon s Elastic Compute Cloud (EC2). The results are the FReMI conceptual architecture and two sets of experiments from execution of the FReMI. The first set reports the experiments performed with FReMI using a sample of snapshots from a FFR model on both HPC environments. The second one describes the experiments, on the complete data set, performed with FReMI and W-FReDoW shared execution in a MPI cluster environment on Amazon EC2 instances only. The last set of experiments results shows a reduction of the FFR model dimensionality, transforming it into a Reduced Fully-Flexible Receptor (RFFR) model, by discarding the non-promising conformations generated by W-FReDoW. It also reduces the total execution time to between 10-30% of that of FReMI s only execution, which, in turn, decreased near 94% with respect to the serial execution.
|
|---|
