Wirkstoffforschung auf dem neuromorphen Supercomputer SpiNNaker2

Projekttitel: Wirkstoffforschung auf dem neuromorphen Supercomputer SpiNNaker2

Projektlaufzeit: 01.07.2022 – 30.06.2025

Forschungsbereich: Methoden und Hardware für Neuroinspirierte Datenverarbeitung

Eine schnelle, computergestützte Wirkstoffforschung könnte enorme Vorteile für die zukünftige Entwicklung von Medikamenten mit sich bringen. Derzeit dauert das Durchsuchen großer Moleküldatenbanken jedoch Tage bis Wochen, was die Entwicklung erheblich behindert. Das Ziel dieses dreijährigen Projekts im Rahmen von ScaDS.AI ist die Entwicklung, Implementierung und Bewertung eines groß angelegten Wirkstoffscreenings mit Klassifikatoren auf Basis neuronaler Netze auf dem neuromorphen Supercomputer SpiNNaker2, um den Wirkstoffforschungsprozess zu beschleunigen. Dieses Projekt wird in enger Zusammenarbeit mit der Gruppe von Private Investigator Meiler (Universität Leipzig) durchgeführt. Auf der Grundlage der Benchmark-Ergebnisse werden Modifikationen und Erweiterungen der SpiNNaker2-Architektur evaluiert, um die Effizienz zu steigern und die Durchsuchungszeiten der Datenbanken zu verkürzen.

Ziele

Der Einsatz von Spinnaker2 zur Ausführung unserer Modelle trägt zu unserem Ziel bei, den Vorhersageprozess für Bindungsaffinitäten bei einer Vielzahl unterschiedlicher Proteinstrukturen innerhalb des etablierten chemischen Raums zu beschleunigen und zu verfeinern. Dies bietet das Potenzial, das Tempo der Arzneimittelentwicklung erheblich zu beschleunigen.

Problemstellung

Kombinatorische Bibliotheken wie Enamine REAL umfassen Milliarden von arzneimittelähnlichen Molekülen. Neuronale Klassifikatoren können deren Bindungsaffinität zu Zielproteinen vorhersagen. Die Herausforderung besteht darin, sowohl bei der Berechnung der Merkmale, die in die neuronalen Klassifikatoren eingespeist werden, als auch bei der Verarbeitung der neuronalen Netze einen extrem hohen Durchsatz zu erreichen. Speziell für unsere Zielhardware, den SpiNNaker2-Supercomputer, besteht die Herausforderung darin, die Vorverarbeitung auf dem Chip zu implementieren und die DNN-Verarbeitung zu parallelisieren.

Praxisbeispiel

Wir haben neuronale Netze modifiziert, um die Bindungsaffinität kleiner Moleküle an Protein-Targets vorherzusagen, wobei wir sie speziell für den Einsatz auf der Spinnaker2-Plattform angepasst haben. Diese Netze wurden anhand kuratierter Moleküle mit bekannter Affinität und Deskriptoren aus der Biochemical Library (BCL) trainiert. Um den Einsatz auf Spinnaker2 zu ermöglichen, haben wir die Gewichte und Eingabedaten von 32 Bit auf 8 Bit quantisiert und die Modelle für die ARM-basierte Architektur neu implementiert.

Technologie

Wir nutzen tiefe neuronale Netze (DNN), um zu klassifizieren, ob Moleküle aus einer umfangreichen Datenbank eine hohe Bindungsaffinität zu Zielproteinen aufweisen. Das neuromorphe System SpiNNaker2, ein massiv-paralleler, vom Gehirn inspirierter Supercomputer, wird eingesetzt, um Millionen von Molekülen parallel mit hocheffizienten DNN-Beschleunigern für int8-Operationen zu verarbeiten.

Ausblick

Dieser Ansatz ermöglicht es uns, auf SpiNNaker 2 viel schneller und genauer als mit derzeitigen Methoden vielversprechende Moleküle zu identifizieren. In Zukunft wollen wir unsere Pipeline zur Wirkstoffforschung auf SpiNNaker 2 weiterentwickeln und an die pharmazeutische Industrie übertragen. Darüber hinaus wollen wir neue Hardware-Architekturen entwickeln, die die Rechenprozesse für diesen Zweck noch weiter beschleunigen können.

Team

Teammitglieder

• Florian Kelber
• Paul Eisenhuth

Partnerinstitutionen

• Universität Leipzig
• Technische Universität Dresden (TUD)