Consorcio COVID-19 HPC ayuda a utilizar el aprendizaje automático y el modelado molecular para mejorar el descubrimiento de fármacos

El consorcio ayuda a agregar capacidades informáticas de las computadoras más potentes y avanzadas del mundo para colaborar con los investigadores de COVID-19 a ejecutar programas complejos de investigación computacional para ayudar a combatir el virus.

Los miembros y afiliados del consorcio administran una variedad de capacidades informáticas: desde pequeños grupos hasta algunas de las supercomputadoras más grandes del mundo. Ofrecen no solo recursos computacionales, sino también software, servicios y una gran experiencia técnica para ayudar a los investigadores de COVID-19 a ejecutar programas complejos de investigación computacional. En conjunto, el consorcio ofrece acceso a 485 petaflops, cinco millones de CPU y 50.000 GPU. La mayor parte del poder colectivo se entrega a través de supercomputadoras basadas en la tecnología Intel. El consorcio incluye algunos de los mejores centros de supercomputación del mundo, como el Centro de Computación Avanzada de Texas (TACC) en la Universidad de Texas, el Laboratorio Nacional Argonne del Departamento de Energía y el Centro de Supercomputación de Pittsburgh, entre otros.

Aprovechando las tecnologías de Intel, los científicos mejoran sus algoritmos y software en formas que son cruciales para comprender la COVID-19. Por ejemplo, los científicos pretenden combinar el aprendizaje automático (ML) y el modelado molecular para mejorar la detección virtual y las aplicaciones de descubrimiento de fármacos dirigidas contra la COVID-19. Han desarrollado, un algoritmo genético capaz de buscar en el espacio químico que rodea los medicamentos antivirales existentes y un modelo de clasificación basado en el aprendizaje profundo que usa los datos de unión existentes del coronavirus (para la proteasa principal del SARS-CoV-2). Los científicos planean combinar y extender estas herramientas a través de una combinación de acoplamiento y simulación que se pueden usar como entradas para un modelo de aprendizaje profundo basado en regresión. Un componente clave de su método será utilizar una versión mejorada de los algoritmos de clasificación fuera de distribución creados previamente para diseñar nuevos inhibidores de quinasas (CDK9) para identificar moléculas que tengan un valor máximo en términos de expandir la validez de su modelo. Mejorar su modelo desde un modelo de clasificación a uno capaz de regresión de esta manera debería proporcionar capacidades mejoradas para identificar tanto los medicamentos existentes con potencial para tratar la COVID-19 (detección virtual) como el descubrimiento de nuevos compuestos activos.

Enlace relacionado: