Как суперкомпьютеры помогут победить коронавирус?

Ученые из Аргоннской национальной лаборатории и Чикагского университета ищут способы лечения COVID19.

Пока COVID-19 распространяется по всему миру, ученые круглосуточно работают над анализом вируса, чтобы найти новые эффективные способы лечения и предсказать, как он будет распространяться среди населения.

Некоторые из самых мощных инструментов для борьбы с вирусом – это суперкомпьютеры и ускорители частиц, в том числе в Аргоннской национальной лаборатории, лаборатории Министерства энергетики США, связанной с Чикагским университетом.

Неужели суперкомпьютеры действительно способны победить пандемию? Joy-pup решили узнать об этом подробнее. И, конечно же, прямо сейчас мы расскажем об этом вам.

Рентген спасет от коронавируса

Для создания лекарств, которые эффективно справляются с COVID-19, сперва необходимо найти биохимический «ключ» — ингибиторную молекулу, которая свободно присоединится к одному из 28 белков, из которых состоит вирус.

Хотя исследователи уже определили последовательность генов вируса, им также необходимо знать, как выглядит форма каждого белка, когда он полностью собран.

Для этого требуется методика, называемая макромолекулярной рентгеновской кристаллографией, при которой ученые выращивают крошечные кристаллы, а затем освещают их высокоэнергетическим рентгеновским лучом, чтобы получить снимок его физической структуры. Такие рентгеновские лучи существуют только в нескольких специализированных местах, разбросанных по всему миру, и одним из них является усовершенствованный источник фотонов в Аргонне.

К середине марта исследователи со всей страны использовали этот источник, чтобы охарактеризовать целую дюжину белков SARS-CoV-2. Им даже удалось мельком увидеть несколько из них с потенциальными молекулами-ингибиторами, в прямом смысле слова, “в действии”.

“К счастью, у нас есть некоторое преимущество”, — сказал Боб Фишетти, который возглавляет работу “Продвинутого источника фотонов” в области наук о жизни.

“Этот вирус похож, но не идентичен вспышке атипичной пневмонии в 2002 году, и до недавней пандемии было получено 70 структур белков из различных коронавирусов с использованием важной информации, полученных от источника фотонов”.

Это означает, что у исследователей есть справочная информация о том, как очищать и кристаллизовать эти белки, что заставляет структуры приходить быстрее, “через несколько недель” — сказал он.

Фишетти сравнил поиск подходящего ингибитора для белка с открытием детали конструктора Lego идеального размера и формы, которая бы идеально встала на свое место.

“Эти вирусные белки похожи на большие липкие шарики — мы называем их глобулярными белками” — сказал он, добавив – “Но у них внутри есть специальные щели, за счет которых могут связываться ингибиторы”.

Используя рентгеновские лучи, ученые могут получить атомный обзор углублений вирусного белка и увидеть, какие возможные ингибиторы — либо уже существующие, либо еще не разработанные — могут лучше всего размещаться в щелях разных белков.

Сложность с уже существующими ингибиторами заключается в том, что они, как правило, слабо связываются с белками COVID-19, что может означать чрезвычайно высокие дозы, которые могут вызвать осложнения у пациентов. По словам Фишетти, исследовательские группы ищут ингибитор, который обладал бы более сильными свойствами, позволяющими вводить его в качестве лекарственного средства, которое будет иметь гораздо меньше побочных эффектов или вовсе позволит свести риски к нулю.

Фишетти сказал, что нынешний быстрый темп развития науки с одной общей целью отличается от всего, что он видел в своей карьере.

“Все движется невероятно быстро, а движущихся частей так много, что трудно за ними поспевать” – сказал он.

Вычисление кризиса COVID-19

Суперкомпьютеры также могут играть роль в поиске ингибиторов. В рамках консорциума высокопроизводительных вычислений COVID-19 исследователи в Аргонне и Чикагском университете объединяют усилия с исследователями из правительства, академических кругов и промышленности, задействуя сразу 16 различных суперкомпьютеров.

В Аргонне исследователи, использующие суперкомпьютер лаборатории Theta, связались с другими суперкомпьютерами со всей страны. Объединив свои возможности, эти суперкомпьютеры обеспечивают моделирование того, как миллиарды различных малых молекул из различных лекарств могут взаимодействовать и связываться с разными областями вирусного белка.

Уже сейчас существуют специальные базы данных о многих потенциальных лекарствах. Такие “библиотеки лекарств” включают каталоги малых молекул, которые исчисляются сотнями миллионов или даже миллиардами. Проблема в том, как сузить их количество. Выполнение индивидуальных симуляций каждого потенциального лекарственного средства для каждого вирусного белка, даже если суперкомпьютеры будут работать круглосуточно и без выходных, займет много лет. Так много времени у ученых просто нет.

К счастью, для решения этой проблемы уже сейчас создаются новые методы искусственного интеллекта и машинного обучения. Чтобы сосредоточиться на наиболее вероятных лекарственных средствах настолько эффективно, насколько это возможно, ученые-биологи могут использовать эти методы, чтобы сделать своеобразную фильтрацию возможностей.

“Когда мы смотрим на этот вирус, мы должны понимать, что это не единственный белок, с которым мы имеем дело. Нам нужно посмотреть на все вирусные белки в целом” – сказал Арвинд Раманатан, биолог научного отдела Аргоннской национальной лаборатории.

“Используя методы машинного обучения и искусственного интеллекта для скрининга лекарств по нескольким целевым белкам в вирусе, мы можем найти лучший путь к созданию противовирусного препарата”.

Десять миллиардов конфигураций быстро сокращаются до примерно шести миллионов позиций, по которым исследователи затем могут проводить более интенсивное моделирование, чтобы определить, какие из них могут стать эффективными лекарствами.

В конце дня они идентифицируют несколько кандидатов-ингибиторов, которые могут быть переданы ученым. Далее ученые могут ввести их в вирусные белки, а затем использовать источник фотонов, чтобы проверить, насколько хорошо эти молекулы работают.

“Это повторяющийся процесс”, — сказал Рик Стивенс, младший директор лаборатории Аргоннского управления компьютерных, экологических и биологических наук. “Они дают нам структуры, мы передаем им наши модели — в конце концов, мы надеемся найти что-то, что будет работать хорошо”.

Суперкомпьютеры способны создать модель

Компьютеры также могут помочь ученым моделировать распространение COVID-19 среди населения. Аргонн специализируется на модели, называемой “агенто-ориентированная модель”. Вместо того чтобы просто предполагать, что все люди действуют одинаково, агентские модели создают виртуальную толпу людей, которые действуют независимо. Модель, основанная на агентах, которую разработали исследователи из Аргонны, включает в себя почти 3 миллиона отдельных агентов, каждый из которых может направляться в любое из 1,2 миллиона различных мест. Действия каждого агента определяются почасовыми расписаниями.

Они модифицируют эту модель для создания отчетов о свойствах вирулентности вируса, которые ежедневно публикуются в научной литературе.

В настоящее время команда ученых разрабатывает базовую симуляцию — по сути, чтобы посмотреть, что произойдет с нашими сообществами, если люди будут вести себя, как обычно. Но истинная цель состоит в том, чтобы иметь возможность широко моделировать дополнительные действия, которые могут быть приняты людьми с целью замедлить распространение вируса.

“Наши модели имитируют отдельных людей, взаимодействующих друг с другом”, — говорит ученый из Аргонны Джонатан Озик, который помогает проводить исследования в области эпидемиологического моделирования. “Если закроется школа, мы увидим людей, которые должны ходить в школу, и мы можем посмотреть на результаты на уровне населения, например, как закрытие школы влияет на то, сколько людей подвергается воздействию вируса”.

Преимущество наличия компьютерной модели всего города состоит в том, что она представляет собой “лабораторию” для лиц, принимающих решения, позволяющую увидеть, как различные решения могут влиять на население, не прибегая к их реальному осуществлению

“Важнейшим является знание того, какие решения следует принимать на региональном или национальном уровне, и когда они имеют решающее значение в этой борьбе” – сказал ученый и “пионер” агентного моделирования Чарльз Макал, который возглавляет это исследование. “Мы разрабатываем модель, которая поможет предоставить информацию о том, какие решения будут наиболее эффективными”.

Финансирование этих усилий включает поддержку со стороны Национального института здравоохранения и Министерства энергетики США, а также многих других.