Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

l'équipe de Multi-institution reçoit la récompense prestigieuse pour la recherche de découverte sur SARS-CoV-2

L'association pour le matériel de calcul (ACM) a attribué à son premier ACM Gordon Bell le prix spécial pour la recherche COVID-19 Basée sur Calculer de haute performance à une équipe de recherche de multi-institution qui a inclus le ministère de l'énergie des États-Unis le laboratoire (DOE) national d'Argonne.

L'équipe a été choisie pour son travail, « des simulations Motivées par l'AI de Multiscale illuminent des mécanismes de la dynamique de la pointe SARS-CoV-2, » qui brille une lumière sur la façon dont le virus SARS-CoV-2 infiltre le système immunitaire humain, réglant hors circuit une réaction en chaîne virale dans tout le fuselage. La récompense a été annoncée le 19 novembre à SC20, la Conférence Internationale pour le calcul haute performance, mise en réseau, stockage, et analyse, retenue pratiquement cette année.

Nous sommes excités pour avoir gagné cette récompense prestigieuse. La remarque entière est de pousser les limites de ce que nous pouvons faire avec l'AI. La capacité d'écailler un ensemble si énorme de simulations et d'utilisation AI de piloter quelques facteurs était principale à ce travail. »

Arvind Ramanathan, biologiste de calcul et chercheur Co-Principal, laboratoire national d'Argonne

Support d'une grande collaboration des organisations pour la recherche et des domaines scientifiques, d'Argonne explorant l'utilisation de l'artificial intelligence et des moyens de calcul haute performance d'étudier, en détail, la dynamique complexe de la protéine de pointe, une des protéines principales dans le virus SARS-CoV-2.

L'équipe, consistée en presque 30 chercheurs en travers de 10 organismes, essaye de comprendre comment cette protéine grippe à et agit l'un sur l'autre avec un des premiers points de contact avec la cellule humaine, la protéine d'ACE2-receptor. Ce grippement commence une cascade d'événements qui laisse éventuellement les membranes virales et de cellule humaine protéger par fusible, permettant au virus SARS-CoV-2 de présenter et infecter l'hôte.

Les protéines ne sont pas statiques, elles ont un large éventail d'émotions qui enjambent des longueurs et des calendriers multiples et on ne le comprend pas toujours quels mouvements sont importants, des notes Arvind Ramanathan, un biologiste de calcul d'Argonne et chercheur Co-principal sur le projet. Pour comprendre et simuler ces actions exige une énorme quantité de caractéristiques et des moyens de calculer.

Développer une simulation raisonnable seule de la protéine de pointe peut produire un système énorme se composant d'approximativement 1,8 millions d'atomes et les simulations peuvent se composer des énormes ensembles de données qui imposent les ressources en même plus grands superordinateurs. Afin de rendre cette caractéristique plus accessible pour l'évaluation, l'équipe a développé une méthode d'apprentissage automatique qui peut récapituler le grand volume de données.

« Une des choses principales que cette méthode nous a permise de faire était de déterminer ce qui était intéressant, ce qui était important, même ces choses qui n'étaient pas évidentes à l'oeil humain, » a dit Ramanathan. « Ainsi, quand vous semblez plus profond utilisant les simulations, vous commencez à voir des évolutions important dans la structure des protéines, qui nous a indiqué quelque chose au sujet de la façon dont la protéine de pointe ouvrent tels qu'elle peut agir l'un sur l'autre avec le récepteur ACE2. »

Pendant que la taille des systèmes qu'elles fonctionnaient en circuit se développait, les défis relevés par équipe d'écailler toutes les caractéristiques pour faire fonctionner liquide sur de plus grands et meilleurs systèmes d'aujourd'hui de superinformatique, ainsi que leurs éléments clé.

Puisque plusieurs des modèles d'apprentissage automatique qu'ils formaient sur ces grandes simulations requises pour être efficacement écaillé pour l'usage sur des superordinateurs, ils partnered avec NVIDIA, un chef dans GPU et le modèle d'artificial intelligence, pour faire fonctionner effectivement les modèles sur le sommet, au laboratoire national d'Oak Ridge de la DAINE.

L'équipe a également utilisé plusieurs des superordinateurs des États-Unis de haut, y compris le thêta chez Argonne ; Frontera/Longhorn chez le Texas a avancé calculer le centre ; Comète au centre de superinformatique de San Diego ; et Lassen au laboratoire national de Lawrence Livermore de la DAINE, pour découvrir des voies alternatives de traiter le déluge des caractéristiques.

« Vu la complexité des caractéristiques, essayant de comprendre l'interaction de la récepteur-pointe ACE2 a semblé presque impossible à cette écaille, » Ramanathan a confié. « Une des choses que nous avons clairement montrées était que nous pourrions activer un échantillonnage de ces configurations dynamiques, poussant l'idée que nous pourrions employer l'AI pour jeter un pont sur ces différentes écailles. »

La caractéristique produite, jusqu'ici, fournit des analyses neuves dans la façon dont la région de filature de la protéine de pointe change ses mouvements généraux quand elle agit l'un sur l'autre avec le récepteur ACE2, il a dit. Éventuellement, ces genres d'analyses dérivées de la combinaison fortement unie de l'apprentissage automatique et simulation aideront à faciliter des découvertes d'anticorps ou de vaccin.