Як суперкомп’ютери допоможуть перемогти коронавірус?

Як суперкомп’ютери допоможуть перемогти коронавірус?

637

Вчені з Аргонської національної лабораторії та Чиказького університету шукають способи лікування COVID-19.

Поки COVID-19 поширюється по усьому світу, вчені цілодобово працюють над аналізом вірусу, щоб знайти нові ефективні способи лікування та передбачити, як воно буде поширюватися серед населення.

Деякі з найбільш потужних інструментів для боротьби з вірусом – це суперкомп’ютери та прискорювачі часток, у тому числі у Аргонській національній лабораторії, лабораторії Міністерства енергетики США, пов’язаної з університетом Чикаго.

Невже суперкомп’ютери дійсно здатні перемогти пандемію? Joy-pup вирішили дізнатися про це докладніше. Й, звичайно ж, прямо зараз ми розповімо про це вам.

Рентген врятує від коронавирусу

Для створення ліків, які ефективно справляються з COVID-19, спершу необхідно знайти біохімічний «ключ» – інгібіторну молекулу, яка вільно приєднається до одного з 28 білків, з яких складається вірус.

Хоча дослідники вже визначили послідовність генів вірусу, їм також необхідно знати, як виглядає форма кожного білка, коли він повністю зібраний.

коронавірус

Для цього потрібно методика, відома як макромолекулярна рентгенівська кристалографія, при якій вчені вирощують крихітні кристали, а потім висвітлюють їх високоенергетичним рентгенівським променем, щоб отримати знімок його фізичної структури. Такі рентгенівські промені існують тільки у декількох спеціалізованих місцях, розкиданих по усьому світу, й одним з них є вдосконалене джерело фотонів у Аргоні.

До середині березня дослідники з усієї країни використовували це джерело, щоб охарактеризувати цілу дюжину білків SARS-CoV-2. Їм навіть вдалося мигцем побачити кілька з них з потенційними молекулами-інгібіторами, у прямому сенсі слова, “у дії”.

“На щастя, у нас є деяка перевага”, – сказав Боб Фішетті, який очолює роботу “Вдосконаленого джерела фотонів” у області науки про життя.

“Цей вірус схожий, але не ідентичний спалаху атипової пневмонії у 2002 році, та до недавньої пандемії було отримано 70 структур білків з різних коронавірусів з використанням важливої інформації, отриманих від джерела фотонів”.

Це означає, що у дослідників є довідкова інформація про те, як очищати та кристалізувати ці білки, що змушує структури приходити швидше, “через кілька тижнів” – сказав він.

Фішетті порівняв пошук відповідного інгібітору для білка з відкриттям деталі конструктора Lego ідеального розміру та форми, яка б ідеально встала на своє місце.

“Ці вірусні білки схожі на великі липкі кульки – ми називаємо їх глобулярними білками” – сказав він, додавши – “Але у них всередині є спеціальні щілини, за рахунок яких можуть зв’язуватися інгібітори”.

Використовуючи рентгенівські промені, вчені можуть отримати атомний огляд поглиблень вірусного білка та побачити, які можливі інгібітори – або вже існуючі, або ще не розроблені – можуть найкраще розміщуватися у щілинах різних білків.

Складність з уже існуючими інгібіторами полягає в тому, що вони, як правило, слабо зв’язуються з білками COVID-19, що може означати надзвичайно високі дози, які можуть викликати ускладнення у пацієнтів. За словами Фішетті, дослідницькі групи шукають інгібітор, який би володів більш сильними властивостями, що дозволять вводити його в якості лікарського засобу, яке матиме набагато менше побічних ефектів або зовсім дозволить звести ризики до нуля.

Фішетті сказав, що нинішній швидкий темп розвитку науки з однією спільною метою відрізняється від усього, що він бачив у своїй кар’єрі.

“Усе рухається неймовірно швидко, а рухомих частин так багато, що важко за ними встигати” – сказав він.

Обчислення кризи COVID-19

Суперкомп’ютери також можуть відігравати свою роль у пошуку інгібіторів. У рамках консорціуму високопродуктивних обчислень COVID-19 дослідники у Аргоні та Чиказькому університеті об’єднують зусилля з дослідниками з уряду, академічних кіл та промисловості, підключаючи відразу 16 різних суперкомп’ютерів.

У Аргоні дослідники, які використовують суперкомп’ютер лабораторії Theta, зв’язалися з іншими суперкомп’ютерами з усієї країни. Об’єднавши свої можливості, ці суперкомп’ютери забезпечують моделювання того, як мільярди різних малих молекул з різних ліків можуть взаємодіяти та зв’язуватися з різними областями вірусного білку.

Вже зараз існують спеціальні бази даних багатьох потенційних ліків. Такі “бібліотеки ліків” включають каталоги малих молекул, які обчислюються сотнями мільйонів або навіть мільярдами. Проблема у тому, як звузити їх кількість. Виконання індивідуальних симуляцій кожного потенційного лікарського засобу для кожного вірусного білка, навіть якщо суперкомп’ютери будуть працювати цілодобово та без вихідних, займе багато років. Так багато часу у вчених просто немає.

На щастя, для вирішення цієї проблеми вже зараз створюються нові методи штучного інтелекту та машинного навчання. Щоб зосередитися на найбільш ймовірних лікарських засобах настільки ефективно, наскільки це можливо, вчені-біологи можуть використовувати ці методи, щоб зробити своєрідну фільтрацію можливостей.

“Коли ми дивимося на цей вірус, ми повинні розуміти, що це не єдиний білок, з яким ми маємо справу. Нам потрібно подивитися на усі вірусні білки в цілому” – сказав Арвінд Раманатан, біолог наукового відділу Аргонської національної лабораторії.

Argonne National Laboratory

“Використовуючи методи машинного навчання та штучного інтелекту для скринінгу ліків з декількох цільових білків у вірусі, ми можемо знайти кращий шлях до створення противірусного препарату”.

Десять мільярдів конфігурацій швидко скорочуються до приблизно 6 мільйонів позицій, за якими дослідники потім можуть проводити більш інтенсивне моделювання, щоб визначити, які з них можуть стати ефективними ліками.

Наприкінці дня вони ідентифікують кілька кандидатів-інгібіторів, які можуть бути передані вченим. Далі вчені можуть ввести їх у вірусні білки, а потім використовувати джерело фотонів, щоб перевірити, наскільки добре ці молекули працюють.

“Це повторюваний процес”, – сказав Рік Стівенс, молодший директор лабораторії Аргоннської управління комп’ютерних, екологічних та біологічних наук. “Вони дають нам структури, ми передаємо їм наші моделі – у кінці кінців, ми сподіваємося знайти щось, що буде працювати добре”.

Суперкомп’ютери здатні створити модель

Комп’ютери також можуть допомогти вченим моделювати поширення COVID-19 серед населення. Аргонн спеціалізується на моделі, відомої як “агент-орієнтована модель”. Замість того, щоб просто припускати, що всі люди діють однаково, агентські моделі створюють віртуальну натовп людей, які діють незалежно. Модель, заснована на агентах, яку розробили дослідники з Аргону, включає у себе майже 3 мільйони окремих агентів, кожен з яких може направлятися у будь-який з 1,2 мільйона різних місць. Дії кожного агента визначаються погодинними розкладами.

суперкомп'ютер

Вони модифікують цю модель для створення звітів про властивості вірулентності вірусу, які щодня публікуються у науковій літературі.

В даний час команда вчених розробляє базову симуляцію – по суті, щоб подивитися, що станеться з нашими спільнотами, якщо люди будуть вести себе, як зазвичай. Але справжня мета полягає в тому, щоб мати можливість широко моделювати додаткові дії, які можуть бути прийняті людьми з метою уповільнити поширення вірусу.

“Наші моделі імітують окремих людей, що взаємодіють один з одним”, – говорить вчений з аргоном Джонатан Озик, який допомагає проводити дослідження в області епідеміологічного моделювання. “Якщо закриється школа, ми побачимо людей, які повинні ходити в школу, та ми можемо подивитися на результати на рівні населення, наприклад, як закриття школи впливає на те, скільки людей піддається впливу вірусу”.

Перевага наявності комп’ютерної моделі всього міста полягає в тому, що вона являє собою “лабораторію” для осіб, які приймають рішення, що дозволяє побачити, як різні рішення можуть впливати на населення, не вдаючись до їх реального здійснення

“Найважливішим є знання того, які рішення слід приймати на регіональному чи національному рівні, та коли вони мають вирішальне значення у цій боротьбі” – сказав учений та “піонер” агентного моделювання Чарльз Макал, який очолює це дослідження. “Ми розробляємо модель, яка допоможе надати інформацію про те, які рішення будуть найбільш ефективними”.

Фінансування цих зусиль включає підтримку з боку Національного інституту охорони здоров’я та Міністерства енергетики США, а також багатьох інших.

Схожі статті / Вам може сподобатися