随着21世纪的到来,以炭疽病、非典为代表,多种新型病毒、变异病毒在世界范围内层出不穷,潜在的生物威胁远远超过传统的生物恐怖剂和烈性病原体清单的范围。如何快速高效地应对各种突发性病毒和病症的挑战是目前世界范围内的难题。与此同时,随着生物技术的飞速发展,生物医药领域的实验手段和研究方法均发生了巨大的变革,产出的数据呈爆炸式增长。其中,表达谱数据可应用于比较正常和异常细胞中基因的表达量水平,帮助识别疾病相关基因和药物作用靶标,分析复杂疾病的致病机制,为个性化诊断和治疗提供指导。基于此,本课题以海量表达谱数据分析为出发点,针对快速药物发现方法目前存在的问题和挑战,对表达谱分析、海量表达谱比对与聚类和频繁子图挖掘三个方面进行了深入研究,基于天河二号超级计算机进行了并行算法设计,实现了两种多节点协同的新型并行分析工具,以提高算法的时空效率,并保证其准确性。主要包括以下三个方面的工作:1.GSEA(Gene Set Enrichment Analysis,基因探针富集分析)算法是业界认可的表达谱分析算法,但受限于其本身复杂的计算过程,目前已有的实现工具都难以达到需求的计算速度,无法满足海量表达谱分析的目标。针对以上问题,本文对算法进行了重新设计,通过预排序、构建三元组(Triple)、构建索引和消除前缀求和等策略将算法复杂度从O(m*n)降低至O(m+n),设计实现了海量表达谱并行查询算法。与三种经典的GSEA表达谱分析工具进行实验比较,在单核情况下,本文实现的paraGSEA表达谱查询子工具比任何一种经典工具都快了两个数量级,在多核情况下,也表现出拟线性加速比。2.表达谱比对与聚类是快速药物发现的重要一环,CMap项目就提供了很好的应用实例,但目前缺少有效的计算工具。本文在之前对GSEA算法进行的各种优化的基础上,设计实现了一种面向天河超级计算机的海量表达谱并行比对算法,采用多种策略对初始数据进行负载均衡的划分,结合MPI+OpenMP进行两级并行加速。实验表明,在96核高性能服务器上,本文的算法可以获得接近96倍的加速效果,并在约100个小时左右完成了其他经典工具需要一年多的时间才能完成的比对任务。同时在利用天河二号超级计算机的1000个节点实验中,本文的算法同样获得了近乎线性的加速比,并且在1个小时以内完成了同等规模的比对任务。与此同时,基于比对后得到的表达谱相似度矩阵,本文还设计实现了一种基于KMedoids的表达谱并行聚类算法,在每次迭代内完成并行化,以避免迭代间的相互依赖。实验结果展示出本文的算法在海量表达谱聚类过程中良好的收敛性和高效性,算例分析得出的Kappa指标也充分展示出聚类结果的健壮性。3.海量表达谱数据驱动下快速药物发现的另一个技术手段是大规模网络分析。通过GSEA算法构建各类病原体与人体细胞反应表达谱的相关性矩阵与映射网络,从而通过大规模网络信息挖掘发现人体受感染后的损伤通路,进而辅助快速药物发现的过程。本课题主要针对网络信息挖掘方法中的一个子问题展开研究——即频繁子图挖掘。该问题目前缺少有效的并行化加速工具,已有的并行化算法大多没有采用启发式策略,效率低下且缺少多节点协同的版本。针对以上问题,本文设计实现了一种面向天河二号超级计算机的跨节点三级多粒度CPU-MIC协同的频繁子图挖掘算法,通过递归展开、多策略单边子图划分、分布式存储海量图集、双端冗余备份等策略最大限度地提高执行性能,同时调整程序数据流,使CPU与MIC协同工作,提高硬件利用率,最终有效加速整个挖掘过程。在天河二号单节点上可以达到近50倍的加速性能,并且在跨接点实验中也保持了较好的可扩展性,16个计算节点最少达到了超过500倍的加速效果。