Ελληνικά
English
GPU Computing & Βαθιά Μάθηση (DL) στην Έρευνα & Ανάπτυξη νέων Φαρμακευτικών Προϊόντων
Η βαθιά μάθηση (DL) έχει διεισδύσει σχεδόν σε κάθε πεδίο έρευνας, συμπεριλαμβανομένης της φαρμακευτικής χημείας και φαρμακολογίας που σχετίζονται με την ανακάλυψη και ανάπτυξη φαρμάκων.
Αυτή η αλματώδης εξέλιξη αποδίδεται :
- στην εξέλιξη των μονάδων επεξεργασίας γραφικών υψηλής παραλληλοποίησης (GPU)
- στην ανάπτυξη αλγορίθμων με δυνατότητα GPU.
Τα πεδία της βιοπληροφορικής, της χημειοπληροφορικής και ειδικά της χημειογονιδιωματικής, συμπεριλαμβανομένου του Computer-Aided Drug Discovery (CADD), εκμεταλλεύονται τις μεθόδους Deep Learning που εκτελούνται σε GPU. Οι περισσότερες προκλήσεις του CADD εμφανίζονται συνήθως στην αντιμετώπιση προβλημάτων σχετικών με την συνδυαστική και τη βελτιστοποίηση. Εδώ η μηχανική μάθηση έρχεται να προσφέρει αποτελεσματικές λύσεις.
Το 2007, η NVIDIA κυκλοφόρησε το Compute Unified Device Architecture (CUDA) ανοίγοντας το δρόμο για τη μεταφορά υψηλού υπολογιστικού φόρτου εργασίας από CPU σε επιταχυντές GPU.
Τον Σεπτέμβριο του 2014, η NVIDIA κυκλοφόρησε το cuDNN, μια GPU – accelerated βιβλιοθήκη με αρχέγονων για χρήση σε βαθιά νευρωνικά δίκτυα (DNN)
Επιτάχυνση προσομοιώσεων μοριακής δυναμικής σε GPU
Η ανάπτυξη GPU-centered αλγορίθμων μοριακής δυναμικής, την περασμένη δεκαετία, οδήγησε σε σημαντικές μειώσεις στο υπολογιστικό κόστος των προσομοιώσεων σε σύγκριση με αλγόριθμους που βασίζονται σε CPU. Κατά συνέπεια, οι περισσότεροι προσομοιωτές μοριακής δυναμικής παρέχουν πλέον υλοποιήσεις με επιτάχυνση της GPU.
Επιπλέον οι GPU αλγόριθμοι έχουν την δυνατότητα να προσαρμοστούν στο μέγεθος του οικοσυστήματος στο οποίο ενεργούν. Ως αποτέλεσμα, οι προσομοιώσεις μοριακής δυναμικής επεκτείνονται σε ένα ευρύτερο φάσμα βιομοριακών φαινομένων, πλησιάζοντας το επίπεδο του ιού και των κυττάρων και βελτιώνουν τα πειραματικά χρονοδιαγράμματα.
Η σύγχρονη ερεύνα και ανακάλυψη φαρμάκων έχει ωφεληθεί από την πρόσφατη ανάπτυξη των μοντέλων DL καθώς και των GPU παράλληλης επεξεργασίας. Βασιζόμενη στην εξέλιξη του hardware, η DL έχει συμβάλει τα μέγιστα σε προβλήματα έρευνας και ανάπτυξης φαρμάκων που κυμαίνονται από τον εικονικό οπτικό έλεγχο και την ανάλυση βασισμένη σε μοντέλα της της ποσοτικής σχέσης δομής-δραστικότητας (QSAR) έως τον σχεδιασμό παραγωγής φαρμάκων.
Επιπλέον, έχουν υιοθετηθεί υβριδικές μέθοδοι τεχνητής νοημοσύνης οι οποίες συνδυάζουν συμβατικές μοριακές προσομοιώσεις με Deep Learning. Το αποτέλεσμα είναι γρήγορος και ακριβής έλεγχος χημικών βιβλιοθηκών εξαιρετικά μεγάλης κλίμακας που αγγίζουν τα εκατοντάδες δισεκατομμύρια μόρια.
Παράλληλα η αύξηση των Big Data υπαγορεύουν την ανάγκη χρήσης αλγορίθμων DL. Με την αυξανόμενη ευκολία δημιουργίας γενετικής αλληλουχίας καθώς και του ελέγχου υψηλής απόδοσης High-throughput screening(HTS), δημιουργούνται τεράστιοι όγκοι δεδομένων οι οποίοι είναι άμεσα διαθέσιμοι στους ερευνητές.
Η έρευνα & η ανάπτυξη των φαρμάκευτικών προϊόντων είναι μία αρκετά χρονοβόρα και περίπλοκη διαδικασία. Η αυτοματοποίηση αυτής της διαδικασίας με τη βοήθεια της Τεχνητής Νοημοσύνης και η γρήγορη και με ακρίβεια επεξεργασία μεγάλου όγκου δεδομένων μέσω μοντέλων DL και GPU παράλληλης επεξεργασίας δίνει νέες προοπτικές στην ανάπτυξη νέων εξελιγμένων προϊόντων.
Leave a comment