超级计算机可解码癌症 提供精准治疗
2017-08-02 贾朝娟 环球医学
癌症的诊断是压倒性的，但治疗往往很复杂且不确定。医生们还没有弄明白一个特定的癌症是如何影响一个人的，一种药物可能对一个病人有希望但可能对另一个病人无效。但医学研究和高性能计算机结合可以基于遗传学创建精准的治疗选项，为患者提供更加个性化的治疗方案。
癌症的诊断是压倒性的，但治疗往往很复杂且不确定。医生们还没有弄明白一个特定的癌症是如何影响一个人的，一种药物可能对一个病人有希望但可能对另一个病人无效。但医学研究和高性能计算机结合可以基于遗传学创建精准的治疗选项，为患者提供更加个性化的治疗方案。
美国能源部（DOE）阿贡国家实验室计算机、环境和生命科学部门副主任Rick Stevens表示，精准医学是根据不同的变量为每位患者提供精细治疗的能力，无论他们的基因、环境还是病史。为癌症患者做到这些，需要大量的数据，不仅是来自患者的数据，还有肿瘤，因为肿瘤改变了周围组织的基因。
在今天的一个典型的癌症研究中，一个肿瘤的活检可进行多达八百万多个检测。但是，即使目前的技术使我们能够更精确地描述癌症的生物成分，但它们所产生的海量数据也使我们很难快速准确地分析它们。
为了解决这些复杂和间接的精准医学问题，研究人员在全球范围内寻找能解决这一问题的超级计算机。Stevens是开发深层神经网络代码CANDLE（癌症的分布式学习环境）多机构努力推进超级计算机框架的主要研究者。
DOE和美国国家癌症研究所（NCI）合作的癌症先进计算解决方案联合设计部分（JDACS4C），CANDLE将解决三个关键的癌症挑战，加快在分子、细胞和人群水平上的研究。
这些挑战将考验CANDLE先进的机器学习方法——深度学习——结合新的数据采集和分析技术、模型制定和模拟，将有助于为个体患者设计预后和治疗计划。
Stevens表示，深度学习是利用多层神经网络来进行机器学习，一个变得更聪明或更准确的程序，因为它获得更多的数据来进行预测。它非常成功地通过学习来解决问题。
该模型存储已经观察到的数据，并随后使用它以快速推断类似或反复出现事件或问题的解决方案。语音识别、图像识别和文本翻译是我们许多人每天都在使用但没有意识到的机器学习的例子。
他补充道，每次你和SIRI或Alexa谈话，你都会遇到深度学习问题。
该框架将建立在开放源码的深度学习平台上，可以适用于解决癌症过程的不同方面的挑战，正如JDACS4C面临的有挑战的课题：1）理解关键蛋白相互作用的分子基础；2）开发药物反应的预测模型；3）自动从数以百万计的癌症患者记录中提取和分析信息以确定最佳的癌症治疗策略。
这个过程首先通过收集所有已知的关于个体癌症作用、对药物反应和行为的数据，并创建一个近似的虚拟环境。而分子构型的号码、组合药物和患者的数据量惊人，亿亿级预测框架将逐步“学会”管理它们。例如，药物反应面临的挑战是根据肿瘤和药物的特点来预测肿瘤对药物的反应，这些信息可通过先前已有的数据来识别，如肿瘤样本和以前的药物筛选。
CANDLE网络代码将被培训以吸收数百万的既往药物筛选的结果。一个开放源代码内容管理系统将对十亿种药物组合进行搜索，以找到最有潜力抑制某一特定肿瘤的药物，或十亿种假设化合物以确定新药开发的候选对象。
通过另一种称为数据挖掘的技术，研究治疗策略问题的研究人员可以训练网络筛选并自动解释数以百万计的临床报告和患者记录。从中它可以直接将数据与特定的患者联系起来，为个体建立治疗和结果轨迹的预测模型。
到目前为止，癌症研究人员已经在小团队中进行了这项工作，存储了影响癌症生长特征的不同因素的海量数据库。但是大部分信息都是外围的。最有用的信息隐藏在收集的数以百万计的数据点之间。
Stevens解释说，这是很大一部分的挑战，因为人类现在用手来做这些。我们正在设计一种通过机器学习实现自动化搜索的方法，这样您就可以从初始模型开始，然后自动找到比初始模型更好的模型。然后，我们可以为每位患者重复这一过程。
而单独这些培训问题的计算机解决方案将需要最大的现有高性能计算机，Stevens和他的团队认为，由此产生的模型可能需要百亿亿次或近亿亿级系统来推进各癌症领域的每一个问题。
这些系统将能够运行比比当今最强大的超级计算机快50～100倍的CANDLE。
ECP主任Paul Messina说，研究人员想要完成的东西比我们拥有的需要更多的数据、容量和计算能力。这就是为什么要努力这建立一个新的框架，关注更多的数据。CANDLE将在这一框架的应用程序的开发中发挥重要的作用，创造出能够分析上亿条数据的能力，从而产生个体化的癌症治疗。
癌症研究战略和数据科学性弗雷德里克国家实验室主任Eric Stahlberg说，这是一项艰巨的任务。但即使朝着这个目标的一步一步发展，也会对更多受癌症影响的人产生重大影响。
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#计算机#
26
学习了.谢谢
44
学习了，谢谢
39
学习
40
#精准治疗#
22
#精准#
21
学习了，谢谢
40
亿亿级预测框架将逐步“学会”管理它们
35