Toward an Embedded SoC for Mobile DNA Sequencing Applications
Notice bibliographique
Résumé
The development of small DNA sequencers offers a transformative opportunity for portable genomics. However, current systems lack integrated bioinformatics computing and instead rely on bulky external systems. To address this limitation, we propose an embedded System-on-Chip (SoC) architecture aimed at mobile DNA sequencing applications, representing an initial step towards a fully integrated bioinformatics solution. The proposed heterogeneous SoC leverages the open-source RISC-V architecture and incorporates two specialized bioinformatics accelerators: one for deep learning-based basecalling and the other for sequence alignment. An FPGA-realized basecalling accelerator achieves a nearly 2000× speedup over a standalone RISC-V core and demonstrates 11.5× and 1.2× higher energy efficiency than x86 CPUs and high-end GPUs, respectively, while maintaining an accuracy rate of 83.7%. A separate accelerator optimized for sequence comparison, offers 538× and 357× performance-per-joule boost relative to x86 CPUs and an existing state-of-the-art accelerator, respectively, while far exceeding other platforms. A preliminary ASIC prototype operates at 250 MHz with a power consumption of 34 mW, demonstrating significant potential for the proposed approach. Overall, the proposed SoC architecture presents a compelling first step towards embedded bioinformatics hardware for mobile DNA sequencing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».