Agent-model based on flame GPU for assessing pupal productivity of the transmitting vector of Aedes aegypti infectious diseases

Abstract

Dengue, Zika and chikungunya are among the infectious diseases that have emerged in recent years. The common denominator to these three is their transmitting vector: the Aedes aegypti mosquito. Due to sanitary reasons, it is highly important that the vector for transmitting these diseases be controlled through the implementation of strategies specifically designed for each situation. In this article, the creation of an agent-based simulation model that allows assessing control strategies and policies through parallel computing on GPU is proposed. High Performance Computing is necessary due to the large volume of data that has to be processed (hundreds of thousands of agents) to obtain results within an acceptable time frame. Model validation was done at small scale with an analogous model on CPU and NetLogo and using data from an real system. In this article, the implementation, scalability and potential of this model as decision support system (DSS) are presented.

Infectious Diseases | Agent-Based Model | GPU | FLAME GPU

References

1. Barba-Evia J.R., 2016. Cambio Climático, globalización y su efecto sobre enfermedades infecciosas. ¿La fiebre por virus Ébola es una amenaza latente?,
   Rev. Latinoam Patol. Clin. Med. Lab. 63 (3), 124–132.
2. Maguiña-Vargas C., 2016. Zika la nueva enfermedad emergente en América. Rev. Med. Hered. 27 (1), 3-6.
3. Álvares E.M.C., Torres Á.A., Torres Á.A., Semper G.A.I., Romeo A.D., 2018. Dengue, Chikungunya,
   virus de Zika. Determinantes sociales. Rev. Med. Electórnica 40 (1), 120-128.
4. López-Latorre M.A., Neira M., 2016. La influencia del cambio climático en la biología de Aedes aegypti (Diptera: Culicidae) mosquito transmisor de arbovirosis humanas. Rev. Ecuatoriana de Medicina Y Ciencias Biológicas 37 (2), 11-21.
5. Albrieu-Llinás G., Chiappero M.B., Rodán-Dueñas J.C., Gardenal C.N., 2016. Reconstrucción de una invasión: pasado y presente de poblaciones de Aedes (Stegomyia) aegypti en la Argentina.
   Preceedings of the X Jornadas Regionales sobre Mosquitos, 65-71. 15 y 16 de Septiembre de 2016, Mar del Plata, Buenos Aires, Argentina.
6. Ginovart M., 2015. ¿Qué pueden ofrecer los modelos basados en agentes en el contexto docente?. Modelling in Science Education and Learning 8 (2), 5-26.
7. Izquierdo-Espinosa G.V., 2016. Implementación de un modelo de agentes para estudiar la propagación del virus de la fiebre Chikungunya. Thesis (MD). Universidad San Francisco de Quito.
8. López L.R., 2017. Modelado de epidemias utilizando sistemas auto-organizados. Thesis (PhD).
   Universidad Nacional del Litoral.
9. Cantergiani C., Gómez-Delgado M., 2016. Diseño de un modelo basado en agentes para simular el crecimiento urbano el corredor del Henares (Comunidad de Madrid). Boletín de la Asociación de Geógrafos Españoles 70, 259-283.
10. Montes de Oca E., De Giusti L., De Giusti A., Naiouf M., 2018. Análisis de Consumo Energético en Cluster de GPU y MultiGPU en un problema de Alta Demanda Computacional. Preceeding of the XXIV Congreso Argentino de Ciencias de la Computación, 103-112. Tandil, Buenos Aires,
    Argentina.
11. Wu J., Deng L., Jeon G., 2018. Image autoregressive interpolation model using GPU-parallel
    optimization. IEEE Transactions on Industrial Informatics 14 (2), 426-436.
12. Aguilera F.J.E., Silva-Aceves J.M., Torres-Arguelles S.V., Martínez-Gómez E.A., Bravo-Martínez G.,
    018. Utilización de GPU-CUDA en el procesamiento digital de imágenes. CULCyT 15 (66), 65-79.
13. Nvidia, 2019. CUDA C Programming Guide. NVIDIA. Available from:
    https://docs.nvidia.com/cuda/pdf/CUDA_C_Programming_Guide.pdf [accessed April 2019].
14. Chimeh M.K., Richmond P., 2018. Simulating heterogeneous behaviours in complex systems on
    GPUs. Simulation Modelling Practice and Theory 83 (2018), 3-17.
15. Richmond P, Chimeh M.K., 2017. FLAME GPU:Complex System Simulation framework.
    Preceedings of the International Conference on High Perfomance Computing & Simulation, 11-17. Genoa, Italy
16. Heywood P., Maddock S., Casas J., García D.,Brackstone M., Richmond P., 2018. Data-parallel
    agent-based microscopic road network simulation using graphics processing units. Simulation
    Modelling Practice and Theory 83, 188-200.
17. Chimeh M.K., Heywood P., Pennisi M., Pappalardo F., Richmond P., 2018. Paralell Pair-Wise interaction for Multi-agent inmune systems modelling. Preceedings of the IEEE International Conference on Bioinformatics and Biomedicine, 1367-1373. Madrid, Spain
18. FLAME GPU, 2018. FLAME GPU Documentation Release. FLAME GPU. Available from:
    https://buildmedia.readthedocs.org/media/pdf/flamegpu/latest/flamegpu.pdf. [accessed April 2019].
19. Ruíz-López F., Gonzalez-Maso A., Vélez-Mira A., Gómez G:F:, Zuleta L., Uribe S., Vélez-Bernal
    I.D., 2016. Presencia de Aedes (Stegomyia) aegypti (Linnaeus, 1762) y su infección natural
    con el virus dengue en alturas no registradas para Colombia. Rev. Bomédica 36 (2), 303-308.
20. Rossi G.C., Almirón W.R., 2004. Clave ilustrada para la identificación de larvas de mosquito de interés sanitario encontradas en criaderos artificiales en Argentina. Serie Enfermedades Transmisibles. Buenos Aires, Argentina: Fundación Mundo Sano.
21. Byttebier B., De-Majo M.S., Fischer S., 2014. Low temperature hatching response of Aedes aegypti eggs: effects of hatching media and storage conditions. Journal of Medical Entomology 51 (1), 97-103.
22. Valendia-Romero M.L., Olano V.A., Coronel-Ruíz C., Cabezas L., Calderón-Peláes M.A., Castellanos J.E., Matís M.I., 2017. Detección del virus del dengue en larvas y pupas de Aedes aegypti recolectadas en áreas rurales del municipio de Anapoima, Cundinamarca, Colombia. Biomédica 37 (2), 193-200.
23. Ngugi H.N., Mutuku F.M., Ndenga B.A., Musunzaji P.F., Mbakaya J.O., Aswani P., Irungu N.W.,
    Mukoko D., Kitron U., LaBeaud A.D., 2017. Characterization and productivity profiles of
    Aedes aegypti (L.) breeding habitats across rural and urban landscapes in western and coastal
    Kenya. Rev. Parasites & Vectors 10.
24. Gorodner J.O., 2016. Dengue, fiebre Zika y fiebre Chikungunya. Patologías conminantes y cambio climático en América. Rev. Asociación Médica Argentina 129 (1), 30-32.
25. WHO, 2009. Dengue: Guidelines for diagnosis, treatment, prevention and control. World Health
    Organization. Available from:
    https://apps.who.int/iris/bitstream/handle/10665/44504/9789995479213_spa.pdf;jsessionid=4E7C3EAE339679F1547C9B8CBE44CCB4?sequence=1 [accessed April 2019].
26. Grech M.G., Ludueña-Almeida F.F., 2016. Mosquitos que crían en microambientes artificiales.
    Proceedings of the X Jornadas Regionales Sobre Mosquitos, 142-155. Mar del Plata, Buenos Aires, Argentina.
27. Cromwell E.A., Stoddardt S.T., Barker C.M., Van-Rie A., Messeer W.B., Meshnick S.R., Morrison A.C., Scott T.W., 2017. The relationship between entomological indicators of Aedes aegypti abundance and dengue virus infection. PLOS Neglected Tropical Diseases 11 (3).
28. Villegas-Trejo A., Che-Mendoza A., Gonzalez-Fernandéz M., Guillermo-May G., Gonzalez-
    Bejarano H., Dzul-Mansilla F., Ulloa-Gracia A., Danis-Lozano R., Manrique-Saide P., 2011. Control enfocado en Aedes aegypti en localidades de alto riesgo de transmisión de dengue en
    Morales, México. Salud Pública de México 53 (2),141-151.
29. Villegas-Trejo A., Che-Mendoza A., Gonzalez-Fernandéz M., Guillermo-May G., Gonzalez-
    Bejarano H., Dzul-Mansilla F., Ulloa-Gracia A., Danis-Lozano R., Manrique-Saide P., 2011. Control enfocado en Aedes aegypti en localidades de alto riesgo de transmisión de dengue en Morales, México. Salud Pública de México 53 (2), 141-151.
30. Medina-Arce Y., Ramos-Tapias J.A., 2017. Modelo matemático que explica mejor la afectación eidentifica el patrón relevante en la difusión para el dengue en la zona urbana del municipio de Neiva. Entornos 30 (2), 121-131.
31. Sepúlveda-Salcedo L.S., Vasilieva O., Martínez-Romero H.J., Arias-Castro J.H., 2015. Ross
    McDonald: Un modelo para la dinámica del dengue en Cali, Colombia. Revista de Salud
    Pública 17 (5), 749-761.
32. Ponciano J.A., Chang J.D., Quiroga F., 2018. Modelo epidemiológico para el estudio regional de la chikungunya. Ciencia, Tecnología y Salud 5 (1), 63-72.
33. Anzo-Hernández A., Velásquex-Castro J., Bonilla-Capilla B., Soto-Bajo M., 2018. Modelado y
    simulación de epidemias transmitidas por mosquitos en redes meta-poblacionales.
    Proceedings of the Congreso Nacional de Ingeniería Biomédica, 445-448. Ciudad de León, Guanajato, México.
34. Rodriguez-Zoya L.G., Roggero P., 2015. Modelobasado en agentes: aportes epistemológicos y teóricos para la investigación social”. Rev. Mexicana de Ciencias Políticas y Sociales LX (225), 227-262.
35. Pereda-García M., 2014. Agent-based modeling and swarm intelligence in systems enfineering. Thesis (PhD). Universidad de Valladoid.
36. Tamraker S., 2015. Performance Optimization and Statistical Analysisof Basic Immune Simulator
    (BIS) Using theFLAME GPU Environment. Thesis (MD). University of Wisconsin– Milwaukee.
37. Gutierrez-Milla A., Borges F., Suppi R., Luque E., 2016. Crowd turbulence with ABM and Vertet
    integration on GPU cards. Procedia Computer Science 80, 2428-2432.
38. Hermellin E., Michel F., 2016. GPU Environmental delegation of Agent Perceptions: Application to Reynolds’s Boids. In: Springer, eds. Multi-Agent Based Simulation XVI. Verlag Berlin, Heidelberg, Springer, 71-86.
39. Seekhao N., Jaja J., Mongeau L., Li-Jessen N.Y.K., 2017. Insitu visualization for 3D Agent-Based
    Vocal Fold inflammation and Repair Simulation. Supercomput Front Innov. 4 (3), 68-79.
40. Song Y., Yang S., Lei J., 2018. ParaCells: a GPU architecture for Cell-Centered models in
    Computational Biology. In: IEEE, eds. IEEE/ACM Transactions on Computational Biology and Bioinformatics. 1-1.
41. Majid A.R.M.A., Hamid N.A.W.A., Rahiman A.R., Zafar B., 2018. GPU-based optimization of
    Pilgrim Simulation for Hajj and Umrah Rituals. Pertanika J. Sci. & Technol. 26 (3), 1019 –1038.
42. Borges F., Gutierrez-Milla A., Suppi R., Luque E., Brito-Arduino M., 2015. An Agent-Based Model
    for assessment of Aedes aegypti pupal productivity. Proceedings of the 2015 Winter
    Simulation Conference, 159-169. December 2015, Huntington Beach, CA, USA.
43. Brito-Arduino M., 2014. Assessment of Aedes aegypti pupal productivity during the Dengue Vector Control Program in a Costal Urban Centre of Sao Pulo State, Brasil. Journal of Insects 2014, 1-9.