Lorsque la recherche biomédicale dépasse les capacités de calcul locales

Comment le centre ANBM de l'Université de l'Arizona a construit un pipeline GPU hybride pour la simulation moléculaire et les thérapies à base de gaz

Au sein du Center for Applied NanoBioscience and Medicine de l'Université de l'Arizona, les chercheurs étudient si des gaz tels que le xénon et l'hydrogène pourraient être développés en nouvelles formes de thérapie.

Le centre a créé des formulations appelées « billes de gaz ». Celles-ci utilisent des nanoparticules et des films liquides pour stabiliser de petites quantités de gaz afin qu'elles puissent potentiellement être délivrées vers des tissus ciblés. L'équipe étudie plusieurs voies d'administration, notamment topique, intranasale, orale et systémique.

Une partie du programme évalue les gaz nobles en tant que radiomitigateurs potentiels : des traitements destinés à réduire les dommages suite à une exposition aux rayonnements ionisants. Ces recherches pourraient à terme trouver des applications dans les situations d'urgence radiologique, la radiothérapie, les brûlures graves et l'exposition aux rayonnements cosmiques lors de vols spatiaux lointains.

Avant qu'un candidat ne passe à la validation en laboratoire, les chercheurs doivent comprendre comment les gaz individuels pourraient interagir avec les protéines et quels sites d'interaction méritent une étude plus approfondie.

Cela transforme une question biomédicale en un problème informatique substantiel.

Le problème informatique commence avant le laboratoire

Les interactions en jeu sont difficiles à observer directement. Les chercheurs utilisent donc des modèles informatiques pour prédire les structures protéiques, localiser les sites d'interaction possibles et simuler le comportement des atomes et molécules de gaz autour de ceux-ci au fil du temps.

Le centre ANBM construit un pipeline qui combine la prédiction de structure basée sur l'IA, l'amarrage moléculaire, la dynamique moléculaire AMBER et l'analyse par apprentissage automatique.

Chaque méthode répond à une question différente. Les outils de prédiction de structure fournissent un modèle de la protéine. L'amarrage moléculaire aide l'équipe à identifier les sites prometteurs où un gaz pourrait interagir. La dynamique moléculaire modélise ensuite la façon dont les atomes se déplacent et s'influencent mutuellement au fil du temps, y compris les forces faibles telles que les interactions de van der Waals.

Le centre explore également si des effets tels que le spin atomique pourraient s'avérer pertinents dans certaines interactions. Cela reste une question de recherche ouverte plutôt qu'un mécanisme établi.

Une plus grande capacité de calcul ne rend pas un modèle scientifique correct par elle-même. Elle permet cependant aux chercheurs d'examiner davantage de candidats, d'exécuter des simulations plus longues ou répétées et de vérifier si les résultats restent cohérents dans différentes conditions.

« Une capacité GPU de haute qualité nous permet d'améliorer la précision de nos modèles et d'accélérer le temps de cycle, passant de quelques jours à quelques minutes », a déclaré Frederic Zenhausern, directeur du centre ANBM.

« Le temps et la précision sont tous deux cruciaux pour nos données. »

Les ressources locales ont atteint leurs limites

Le centre a débuté le programme avec des capacités informatiques limitées sur PC, fournies par le College of Medicine–Phoenix. Il a progressivement ajouté un Mac Mini M3 Max, une station de travail GPU, puis un petit cluster GPU multi-nœuds.

Cette infrastructure locale reste intégrée à l'environnement de recherche. Elle n'a jamais eu vocation à supporter toutes les étapes du pipeline en pleine croissance.

La capacité et la disponibilité sont devenues les principales contraintes à mesure que l'équipe commençait à travailler sur des simulations plus vastes. Zenhausern a indiqué que l'accès aux ressources informatiques centrales de haute performance de l'université à Tucson n'était pas fiable pour les besoins du centre. Les chercheurs avaient également besoin d'un accès direct à l'infrastructure afin que les demandes administratives courantes ou la maintenance du matériel ne retardent pas les travaux.

La solution n'était pas d'abandonner l'informatique locale. Le centre a ajouté une capacité GPU externe pour les étapes où l'environnement local n'était plus suffisant.

Un pipeline hybride plutôt qu'une migration complète

Le flux de travail actuel répartit les tâches en fonction des capacités de traitement optimales de chaque environnement.

Les chercheurs développent leurs méthodes et effectuent un amarrage moléculaire initial sur des stations de travail locales et sur le cluster du centre. Cette première phase de criblage permet d'identifier les sites d'interaction protéine-gaz les plus prometteurs.

Les candidats sélectionnés sont ensuite transférés vers Hivenet pour des simulations de dynamique moléculaire AMBER à plus grande échelle et, le cas échéant, pour des analyses par apprentissage automatique.

Les données obtenues sont renvoyées à l'équipe de recherche pour interprétation. Les chercheurs examinent les résultats, vérifient les paramètres de simulation, comparent les conclusions et décident quels candidats doivent faire l'objet de travaux informatiques approfondis ou d'études en laboratoire.

Cette répartition permet de maintenir les premières expérimentations à proximité des chercheurs tout en leur offrant une capacité supplémentaire lorsque la charge de travail dépasse les possibilités de l'infrastructure locale.

Elle évite également de considérer l'infrastructure cloud comme la destination par défaut pour chaque tâche. Le centre l'utilise comme une couche intégrée à un environnement de recherche plus vaste.

Des opérations basées aux États-Unis étaient une condition de sélection

L'emplacement et le fonctionnement de l'infrastructure étaient tout aussi importants que la capacité, le coût et l'accès.

« Une infrastructure et des opérations basées aux États-Unis étaient essentielles à notre sélection, notamment en raison de la conformité gouvernementale exigée par les NIH et d'autres agences fédérales », a déclaré Zenhausern.

Le centre a considéré cela comme une exigence impérative pour la charge de travail concernée. La question pratique était de savoir où le calcul serait effectué et où le service le prenant en charge serait exploité.

C'est plus précis qu'une simple déclaration générale sur la souveraineté du cloud. Pour l'ANBM, le contrôle signifiait choisir une capacité basée aux États-Unis capable de répondre aux obligations institutionnelles et fédérales liées au programme.

Le centre entretient déjà des relations avec plusieurs grands fournisseurs technologiques. Hivenet n'a pas remplacé ces partenariats. Il a été ajouté au mix d'infrastructures du centre pour un besoin de recherche spécifique, en fonction de la combinaison des opérations aux États-Unis, de la capacité disponible, du coût et du support technique direct.

Intégrer les chercheurs à l'infrastructure

Moins de deux mois se sont écoulés entre la signature de l'accord et le lancement d'une charge de travail par un chercheur. Zenhausern a précisé qu'une grande partie de ce délai était due aux processus internes de l'université, tandis qu'Hivenet a rapidement assuré sa part de la configuration.

Pour le centre, l'intégration ne se limitait pas à l'octroi d'un accès à un GPU. L'environnement devait être utilisable par les étudiants diplômés et les autres chercheurs sans exiger de chacun qu'il apprenne à maintenir l'infrastructure sous-jacente.

L'équipe travaille désormais avec des environnements de projet standardisés, des scripts partagés et des procédures documentées. Les étudiants diplômés peuvent exécuter des tâches informatiques de routine, organiser les résultats et collaborer avec des chercheurs confirmés pour valider les paramètres et interpréter les données.

Cette structure favorise également la reproductibilité. Les chercheurs peuvent identifier les procédures et les paramètres ayant conduit à un résultat, plutôt que de dépendre d'une configuration non documentée maintenue par un seul spécialiste.

« La relation s'est davantage apparentée à un partenariat technique qu'à un accord commercial conventionnel », a souligné Zenhausern.

« L'équipe d'Hivenet a été à l'écoute de nos besoins de recherche, a compris le fonctionnement de nos flux de travail et nous a aidés à réfléchir à nos besoins en infrastructure à mesure que le programme évolue. »

Premiers gains, avec des limites sur ce qui peut être revendiqué

Cette capacité supplémentaire a permis au centre d'explorer davantage de concepts et de passer au crible un plus grand nombre de candidats potentiels avant de décider lesquels méritent une étude expérimentale.

Cela pourrait aider l'équipe à concevoir des expériences in vitro plus ciblées, à réduire l'utilisation inutile de réactifs de laboratoire et, à terme, à limiter le nombre de candidats devant passer aux études sur les animaux. Il s'agit là d'avantages attendus du pipeline plutôt que de résultats mesurés issus d'un programme de recherche achevé.

Zenhausern a décrit certains cycles de calcul passant de plusieurs jours à quelques minutes. Il a également précisé qu'il est trop tôt pour fournir une évaluation précise du temps de simulation, du coût par exécution, du débit ou du nombre de tâches simultanées par rapport à l'ancienne configuration.

Le centre n'a pas encore identifié de publication ou d'étape scientifique qu'il soit prêt à associer publiquement au partenariat.

Le résultat le plus clair à ce stade est donc opérationnel. L'ANBM peut mener un programme informatique plus vaste que ne le permettait son installation locale initiale, tout en développant les méthodes scientifiques et les pratiques de mesure nécessaires pour évaluer correctement ce programme.

Le problème de l'accès dépasse le cadre du matériel

L'expansion de la recherche informatique crée sa propre pression institutionnelle. Ces outils nécessitent des financements, des connaissances spécialisées et des personnes capables de les exploiter.

« C'est formidable d'avoir plus d'outils pour mener nos recherches, mais c'est aussi un peu effrayant, car ces outils exigent des ressources financières, des connaissances et des talents qui ne sont pas toujours facilement disponibles », a déclaré Zenhausern.

Un GPU peut être disponible en théorie et rester inaccessible en pratique. Un centre de recherche a toujours besoin d'un budget, d'un fournisseur agréé, d'environnements utilisables, de procédures documentées et d'un support en cas de changement ou de défaillance d'une charge de travail.

L'expérience de l'ANBM suggère que l'accès devrait être mesuré par ce que les chercheurs peuvent exécuter, plutôt que par le matériel vers lequel une institution peut techniquement pointer.

Le centre recherche désormais des ressources durables pour continuer à développer son pipeline informatique et faire de la capacité externe une partie fiable de son infrastructure de recherche.

Ce que montre le cas de l'Université de l'Arizona

Le centre ANBM n'a pas déplacé l'intégralité de son environnement de recherche dans le cloud. Il a construit un pipeline hybride autour de la manière dont ses scientifiques travaillaient déjà.

Le criblage initial reste local. Les simulations plus importantes utilisent une capacité GPU externe. L'interprétation et la planification expérimentale reviennent à l'équipe de recherche.

Cet arrangement a donné au centre un accès direct à une puissance de calcul supplémentaire sans obliger les étudiants diplômés à devenir des opérateurs matériels, ni le centre à constituer une équipe d'infrastructure dédiée.

Cela a également intégré les contraintes d'infrastructure dans la conception dès le départ. La capacité, les opérations basées aux États-Unis, les processus institutionnels, la reproductibilité et le support technique ont tous influencé ce que le centre pouvait utiliser.

Le résultat scientifique de la recherche sur les thérapies par gaz reste à déterminer. Le résultat en matière d'infrastructure est déjà plus clair : l'équipe peut poser des questions informatiques plus vastes et faire progresser les candidats prometteurs via un pipeline de recherche plus performant.

Pour les centres de recherche qui construisent des flux de travail similaires, c'est peut-être la mesure d'accès la plus utile.

‍