古风,有声小说,辰东全部小说

生命科學是前沿科技創新的關鍵領域。AI、云計算、大數據等互聯網技術的發展，正在為基因測序、生物醫藥、AI 與大數據應用等方面注入新動能，加速生命科學領域相關企業的智能化升級。

12 月 27 日，“2022 百度云智峰會·智算峰會”成功舉辦。NVIDIA 資深解決方案架構師翟健分享了以“GPU 加速藥物研發與基因組學分析”為題的演講，介紹了 NVIDIA 如何利用 GPU 和加速軟件推動 AI 驅動的藥物研發與基因組學分析，包括 NVIDIA 與百度智能云在賦能藥物研發、基因測序分析方面的合作。以下為內容概要。

GPU 加速助力藥物研發

CLARA 是 NVIDIA 在醫療方向的 SDK 平臺，它借助于 NVIDIA 的基礎軟硬件平臺，為醫療用戶提供了醫療設備、制藥、影像、基因以及智慧醫院等五個方面的能力，從而為醫療的終端用戶，針對具體的應用場景提供完備的加速能力。

而其中的 CLARA Discovery 是 CLARA 平臺下面向藥物研發場景的重要解決方案，它基于 NVIDIA 的 AI 和 HPC 能力來輔助加速藥物研發的工作流程。目前該方案已經納入到了百度智能云賦能藥物研發的解決方案中。

醫療領域的前期研發過程當中會涵蓋如下幾個過程：集靶點發現、化學分子生成、蛋白質性質結構預測、藥物分子與蛋白質進行對接打分，構建自由能 FEP 等。

整個制藥行業涉及到兩個學科，結構生物學與計算化學。而這兩個學科都涉及到傳統的 HPC 與新興的 AI 方法，而且 AI 的方法相較于 HPC 的方法會有比較明顯的速度上的優勢。

目前 AI 正在顛覆整個藥物研發的過程，包括在靶點發現方面、虛擬篩選以及分子生成、結構預測，甚至在臨床上應用的自然語言模型，都是 AI 加速的體現。

AI 中 Transformer 模型正在逐漸地應用在藥物研發領域中。左邊的四張小圖來自于 MegaMolBART 與 Protrans 一系列突破性的論文，表明基于 Transformer 的預訓練模型可以有效地加速分子生成和蛋白質的結構預測。

右上角展示的就是 Transformer 模型的 Encoder-Decoder 的架構形式，它們可以用在諸如右下方的幾個典型領域，包括：小分子模型的生成、反應序列的預測、蛋白質結構預測、生物醫學領域的 NLP 以及圖像分析等。

NVIDIA 基于在大語言模型上的經驗，推出了 BioNeMo 的解決方案，它是一款可以在云端進行訓練和部署的服務框架，主要面向有大語言模型需求的藥物研發人員。此外，它基于 NVIDIA 的 GPU 硬件也做了很好的優化工作，并且提供了多種預訓練模型，支持云原生的服務，極大地加速了藥物研發的工作流程。

這一頁展示的是 BioNeMo 的邏輯架構，最底層的是 NVIDIA 加速的計算平臺。下面開始第二層是 NVIDIA 的大語言模型平臺 NeMo Megatron，是 BioNeMo 的快速訓練和部署的重要保證。

BioNeMo 提供了多種預訓練的 Transformer 類的模型，分別針對化學分子生成、蛋白質結構序列預測、DNA 的 embedding 等幾個方面。最終這些都服務于我們最上層中，藥物研發領域里幾個典型應用場景。

BioNeMo 的三個典型特點是：

一，它支持分子、蛋白質和核苷酸的 SMMILES 和 FASTA 的表征。

二，它含有多種預訓練模型，像我們剛才提到的 MegaMolBART 等。

三，它可以在云端部署相應的、可視化界面的服務。

這里跟大家分享一個案例，Vyasa 是一個面向藥物研發的 AI 解決方案提供商，他們在方案中整合了 BioNeMo 中的 MegaMolBART 模型，從而實現了終端用戶在本地和云端都可以利用 GPU 對藥物分子生成過程進行加速。也正因為如此，他們的用戶 Memorial Solan Kettering 學院采購了 NVIDIA 的 DGX 服務器用于加速這一類型的工作負載。

除了在分子生成、蛋白質結構性質預測方面，NVIDIA 提供了很好的加速優化。在虛擬篩選和仿真的過程當中，NVIDIA 也協同了眾多的開源社區、高校，加速了傳統 HPC 領域當中的對接、分子動力學和量子化學里的常用軟件。

這張圖中展示的就是我們在三個領域當中常用的一些軟件。這些軟件 NVIDIA 都提供了相應的 GPU 加速版本，大家可以在 NVIDIA 的 NGC 平臺（https://catalog.ngc.nvidia.com/ ）進行下載。

下面展示的是分子動力學軟件 Grom acs 的 GPU 版本的性能評測。可以看到，在 NVIDIA 的 A100 和 V100 GPU 上，Gromacs 都同比 CPU 獲得了極好的加速。

類似的，這一頁展示的是量子化學軟件 VASP CPU-GPU 的性能對比。NVIDIA 的 V100 和 A100 GPU 同樣都獲得了極高的加速。

GPU 加速突破基因測序分析瓶頸

接下來讓我們介紹一下 NVIDIA GPU 在加速基因組學方面的方案。

在今年春季的 NVIDIA GTC 大會上，來自于斯坦福大學的團隊介紹了他們如何基于 NVIDIA GPU 打破了基因測序的世界紀錄。他們將人類的基因測序縮短到了 7 小時 18 分鐘，完成了濕實驗和在計算機上的數據分析等過程。

而在基因測序方面，一般包括如下三個環節：一，通過測序儀得到數據之后進行的一級分析過程，完成四分類任務；二，在計算機上完成一致性對比處理、變體識別等二級分析過程；三，最后的三級分析則是對大量的數據進行處理。而這三個過程目前都是可以用 GPU 實現加速的。分別可以通過 GPU 加速的 TensorFlow、PyTorch，以及 TensorRT 進行一級分析加速。通過 CLARA Parabricks 對二級分析進行加速。利用 RAPIDS、MONAI 等可以加速三級分析。

下面讓我們來介紹一下二級分析的軟件 CLARA Parabricks。CLARA Parabricks 是一款利用 GPU 加速高通量、高精度的 DNA 和 RNA 測序分析工具，主要用于人類基因組學分析、癌癥基因篩查、RNA 測序分析等。目前其中含有 60 多個工具模塊，包括基因數據的一致性比對、金標準處理和質量把控、高精度遍體識別等范疇類的多種常用工具。

這一頁展示的是 CLARA Parabricks 目前支持的工具模塊的部分內容，基本上涵蓋了主流的基因測序二級分析中的大部分工具。

使用 CLARA Parabricks 可以實現對典型的應用的加速，它是針對金標準的種系、體細胞和 RNA 的加速工具。而且目前使用 Ampere 架構的 GPU 可以實現 80 倍的加速，精度方面也能夠保證，且具有比較靈活的工作流程。

那么談到這里就要說一下 CLARA Parabricks 的幾大特點了。因為它是模塊化的工具，所以可以通過各種傾向性的組合，可以靈活選擇 CLARA Parabricks 當中的各種模塊。

同時剛才提到它的工作流程靈活，是因為它對主流的基因組學分析中的 workflow 管理器都支持，包括 WDL，nextflow 等。此外，它還對 Google 的 DeepVariant 1.4 版本的變體識別工具也做了很好的支持。

接下來我們來看看 Parabricks 的 benchmark。可以看到，列舉的幾個模塊在 GPU 上，同比 CPU 都具有非常好的加速效果。而且在 A100 上可以最高實現 80 倍的加速。這一頁展示的就是分別在 2 張、4 張和 8 張 A100 上同比 CPU 實現加速的效果。

同時，在癌癥的基因篩查中，端到端的流程也可以在 GPU 上實現比較明顯的加速。

2022 年春季 GTC 大會上，NVIDIA 發布了 Hopper 架構的 GPU。該架構的 GPU 對于動態編程做了很好的加速，單就動態編程這一特性，Hopper 架構就比上一代的 Ampere 架構有了 7 倍的理論加速。而在基因組學分析中，動態編程技術是需要被頻繁使用到的，也因此，Hopper 架構的 GPU 可以給基因測序帶來重大的收益。

上文提到的，斯坦福大學創造的基因測序世界紀錄就是借助 NVIDIA CLARA Parabricks 實現的。

這里再跟大家分享一個案例，就是英國的 BioBank 這家公司，他們要處理 50 萬個外顯子，這些在 CPU 上需要 1 個小時才能得到結果，而 GPU 將這個過程僅僅縮短到了 5 分鐘，成本下降了 60%。

這里展示了 CLARA Parabricks 的資料參考頁，感興趣的聽眾可以登陸 CLARA Parabricks 的網頁了解更多的內容。同時，CLARA Parabricks 已經可以在百度智能云上使用了，在云上的 GPU 最佳實踐專欄中還提供了 CLARA Parabricks 的使用方式和詳盡介紹，感興趣的同學可以登陸https://cloud.baidu.com/doc/GPU/s/pl6vzliqu了解更多內容。

在加速三級分析這部分，同樣可以使用 GPU 版本的大數據處理 SDK RAPIDS。RAPIDS 是一個端到端的 GPU 加速數據科學的 SDK。它包括數據處理的 SDK cuDF，用于傳統機器學習的 SDK cuML，圖計算 SDK cuGraph，以及一些可視化的庫、眾多延伸的庫等。基本上 NVIDIA 非深度學習類的 GPU 加速庫都在這里了。

單個細胞的三級分析依賴于眾多的傳統機器學習與大數據的方法，比如回歸聚類等算法以及一些可視化的方法。右邊展示的就是針對 scRNA 序列處理的聚類，回歸與可視化端到端運行的時間。可以看到，使用 GPU 可以降低整體的運行時間。