Wirkstoffforschung auf dem neuromorphen Supercomputer SpiNNaker2

Projekttitel: Wirkstoffforschung auf dem neuromorphen Supercomputer SpiNNaker2

Projektdauer: 01.07.2022 – 30.06.2025

Forschungsbereich: Biowissenschaften und Medizin, Methoden und Hardware für neuroinspiriertes Rechnen

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. Ziel dieses dreijährigen Projekts im Rahmen von Scads.AI ist die Entwicklung, Implementierung und Leistungsbewertung eines groß angelegten Wirkstoffscreenings. Dies wird mit Klassifikatoren auf Basis neuronaler Netze auf dem neuromorphen Supercomputer SpiNNaker2 ausgeführt, um den Wirkstoffforschungsprozess zu beschleunigen – in enger Zusammenarbeit mit der Gruppe von Projektleiter Meiler (Universität Leipzig).

Ziele

Der Einsatz von Spinnaker2 zur Ausführung unserer Modelle trägt zu unserem Ziel bei, den Vorhersageprozess für Bindungsaffinitäten über ein breites Spektrum an Proteinstrukturen innerhalb des etablierten chemischen Raums zu beschleunigen und zu verfeinern. Damit lässt sich das Tempo der Arzneimittelentwicklung erheblich steigern.

Problemstellung

Kombinatorische Bibliotheken wie Enamine REAL umfassen Milliarden von arzneimittelähnlichen Molekülen. Neuronale Klassifikatoren können deren Bindungsaffinität zu Zielproteinen vorhersagen. Die Herausforderung besteht darin, einen extrem hohen Durchsatz – sowohl bei der Berechnung der Merkmale, die in die neuronalen Klassifikatoren eingespeist werden, als auch bei der Verarbeitung der neuronalen Netze zu erreichen. Speziell für unsere Zielhardware, den SpiNNaker2-Supercomputer, liegt 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 möglich zu machen, 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 Deep Neural Networks (DNN), um zu klassifizieren, ob Moleküle aus einer umfangreichen Datenbank eine hohe Bindungsaffinität zu Zielproteinen aufweisen. Das neuromorphe System SpiNNaker2, ein hochparalleler, vom Gehirn inspirierter Supercomputer, wird eingesetzt, um Millionen von Molekülen parallel zu verarbeiten – unterstützt durch hocheffiziente DNN-Beschleuniger für int8-Operationen.

Ausblick

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

Team

Teamleitung

• Prof. Christian Mayr (Technische Universität Dresden (TUD))

Teammitglieder

• Florian Kelber
• Paul Eisenhuth (Universität Leipzig)

Partner

• Technische Universität Dresden (TUD)
• Universität Leipzig