PCI 2010 Acción Preparatoria. Computación Avanzada en Aplicaciones Biomédicas. (High Performance Computing applied to Life Sciences)

Transcripción

1 PCI 2010 Acción Preparatoria Computación Avanzada en Aplicaciones Biomédicas CaaB (High Performance Computing applied to Life Sciences) Descripción general Participantes Universidad de Málaga, España CIEMAT, Madrid, España Universidad de Talca, Chile Universidad Nacional de Colombia Dr. Oswaldo Trelles Dr. Rafael Mayo Dr. Danilo González Dr. Emiliano Barreto

2 Motivación y descripción general del problema (versión detallada de la sección 1) Los últimos avances en adquisición de datos en biología molecular y medicina genómica están creando, literalmente, montañas de datos. Las tecnologías de nueva generación, tales como secuenciación en nanoporos, secuenciación de moléculas simples, o las más conocidas, secuenciación de nueva generación (NGS: Next Generation Sequencing) están revolucionando la era post-genómica. Este hecho ha sido resaltado por ejemplo en la edición especial 'Big Data: welcome to the petacentre, science in the petabyte era' de la revista Nature (2008/11). La diversidad de aplicaciones que explotan estas tecnologías demuestra el inmenso rango de procesos celulares y propiedades que pueden ser estudiados, hoy en día, a la resolución de una simple base de ADN. Ello incluye la re-secuenciación de genomas para el descubrimiento de polimorfismos (SNP), el mapeo de mutaciones relacionadas con la respuesta a fármacos; la metilación del ADN con aplicaciones en epigenética, modificaciones de las histonas, secuenciación de transcriptomas, el descubrimiento de nuevos genes, la identificación de splicing alternativo que lleva la síntesis de distintas proteínas, el perfilado de pequeñas moléculas de mrna con influencia en los niveles de expresión de los genes, la interacción ADN-proteína e incluso interacciones entre proteínas para el descubrimiento de nuevos fármacos, etc. Estas tecnologías ofrecen a los biólogos y clínicos oportunidades sin precedentes, para mejorar el entendimiento de las funciones y su dinámica desde el nivel celular hasta poblacional. En medicina ello nos acerca nada menos que a la deseada medicina personalizada. Lamentablemente la solución de los problemas computacionales planteados por los grandes volúmenes de datos ('Big data' problem) no es trivial. Una razón fundamental es que se han alcanzado los límites de computación secuencial, es decir, el incremento de las prestaciones de los ordenadores -potencia de CPU, capacidad de almacenamiento, velocidad de las redes, etc.- de una sola CPU, que ya no es capaz de seguir el ritmo de la producción de datos. Este problema tiene al menos dos vertientes: por una parte está el hecho de que los algoritmos guardan una relación exponencial entre el tiempo de cálculo y el volumen de los datos y la segunda, es que la mayor parte del software en biología computacional está diseñado para ejecutar en mono-procesadores. Existe por tanto una presión importante para adecuar el software bien establecido y también para crear nuevo software. En este momento, varios grupos internacionales están entrando en el mundo de la Computación de Alto Rendimiento (HPC: High Performance Computing) como alternativa para abordar los cuellos de botella en el procesamiento de datos mediante la aplicación de computación paralela. Hay una complicación adicional. Tomando como ejemplo la medicina personalizada objetivo hacia el cual tienden de una forma u otra multitud de proyectos- requiere la explotación integrada de una gran diversidad de datos. Por ejemplo, si pensamos en una terapia adaptada al perfil molecular de un paciente en una determinada afección, estaremos de acuerdo en que es necesario contar, además de los datos clínicos del paciente, de su perfil molecular como por ejemplo, las variaciones específicas en su ADN, o los niveles de expresión de determinados genes; además de requerirse combinar distintos procedimientos computacionales como el ensamblado del ADN, su mapeo en el genoma, la identificación de expresión diferencial en los genes; etc. Este simple ejemplo es solo una muestra de la diversidad de datos y aplicaciones software que es necesario utilizar de forma conjunta y organizada.

3 Claro está que un proyecto del alcance que proponemos no puede fijarse objetivos tan ambiciosos como los de la medicina personalizada pero no debemos evitar que ello nos guíe. Por ello, de acuerdo a nuestra capacidades lo que nos orienta es la búsqueda de soluciones computacionales que puedan servir como paradigma para resolver conjuntos de problemas en la computación de alto rendimiento aplicada a los grandes volúmenes de datos. Para ello nos hemos coordinado distintos grupos con experiencia en áreas particulares del HPC, para buscar objetivos comunes a soluciones HPC. En la búsqueda de estas soluciones será necesario identificar un conjunto paradigmático de aplicaciones (desde la perspectiva de la complejidad computacional) e identificar por otra parte las arquitecturas hardware que mejor se adapten a los requisitos planteados por las aplicaciones. Esta propuesta solicita financiación para elaborar un plan de trabajo de mayor envergadura, a través de reuniones de trabajo. Desde la perspectiva de las aplicaciones, una primera idea es guiarnos por las estructuras de cálculo que presentan y las fronteras que las limitan. Así por ejemplo, podemos pensar en aplicaciones de gran consumo de datos (limitadas por la capacidad de los dispositivos de Entrada-Salida) como pueden ser las aplicaciones de mapeo de genes e identificación de SNP; o las aplicaciones más orientadas a cálculos masivos (limitadas por la capacidad de la CPU) como puede ser la simulación de la dinámica molecular. Pero claro, debemos tener en cuenta que la arquitectura hardware en la computación avanzada tiene una gran influencia en el diseño y escalado (capacidad de mejorar el rendimiento según se incrementan los recursos) de las soluciones paralelas. Hay arquitecturas que se adaptan mejor a cálculos masivos que no requieren mucha E-S puesto que no disponen de mecanismos rápidos de comunicación; u otras que por el contrario se adaptan mejor a las aplicaciones limitadas por la E-S ya que disponen de grandes bancos compartidos de memoria. Las arquitecturas disponibles en el consorcio que presenta esta propuesta y sobre las que se centrarían los análisis de las soluciones software, son justamente las cinco más utilizadas y paradigmáticas del HPC: supercomputadores (multiprocesadores), clusters de computadores, computación Grid; computación en nube (realmente externa, pero asequible) y las nuevas CMP (Chip Multi-Processors: many- y multi-core computers). Los multiprocesadores son, en general, diseños que incorporan muchas CPU y grandes cantidades de memoria RAM; usualmente en una máquina homogénea. La organización de la memoria compartida o distribuida- es la característica que más condiciona el diseño de los algoritmos paralelos. Este suele ser el recurso deseado cuando se tiene grandes cargas computacionales, sin embargo, pocas instituciones pueden asumir su elevado coste. Por otra parte, solo un reducido grupo de aplicaciones en esta área de trabajo se espera que escalen bien y por tanto muestren una explotación eficiente de este hardware. La computación en cluster (varios computadores unidos por una red de alta velocidad) es el caballo de batalla más común del HPC en biología computacional debido que pueden ser construidos a partir de hardware usualmente disponible en los laboratorios. La computación en Grid también gira en torno a la explotación conjunta de varios ordenadores individuales, pero además integra también clusters e incuso superordenadores distribuidos en grandes áreas geográficas y en un entorno de acceso controlado. Por tanto está mejor ubicado para trabajar en aplicaciones con datos sensibles, como son los datos clínicos de pacientes. Al igual que los clusters, y en general en la computación distribuida, la eficiencia de la computación en Grid está

4 algo limitada en el problema de los grandes volúmenes de datos debido al bajo ancho de banda de las redes de datos actuales. La computación en Nube (Cloud computing) permite la creación de grupos virtuales de clusters de ordenadores en centros (comerciales) de proceso de datos (por ejemplo, Amazon EC2, Google App Engine). Al igual que la computación en Grid, un cuello de botella potencial es el ancho de banda de la red. Por otra parte, se deben contemplar aspectos referidos a la seguridad y privacidad de los datos y las restricciones éticas para el movimiento de datos más allá de las fronteras de los países. Finalmente, disponemos de arquitecturas multi-core (varios procesadores en la misma placa) y many-core GPUs (Graphics Processing Units) que han emergido como una alternativa interesante en HPC. Su relativamente bajo coste, gran disponibilidad y facilidad de uso equivalente a un ordenador de sobremesa, ha lanzado su incorporación en el mundo HPC. De hecho ya algunos diseños de nuevos supercomputadores están basados en modelo híbridos de arquitecturas CPU-GPU. Toda esta diversidad de arquitecturas hardware buscan acelerar los cálculos, pero su conocimiento y manejo eficiente involucra diferentes aspectos que necesitan ser estudiados para poder ofrecer una solución global y general para la buena explotación de las capacidades de la computación avanzada en biología computacional. Los grupos participantes en esta propuesta tienen experiencia tanto en computación paralela, como en aplicaciones en biología molecular y biomedicina. En particular, el grupo de la Universidad de Talca (Chile) cuenta con un amplio conocimiento sobre el desarrollo de software para dinámica molecular (plegamiento espacial de proteínas, análisis de la flexibilidad del ADN, predicción y optimización de estructuras, etc.). Este tipo de software requiere un alto consumo de tiempo de CPU, pero suele escalar razonablemente cuando se usan hasta 128 o incluso 256 procesadores, dependiendo de la tecnología de comunicaciones implementada en el hardware, consiguiendo escalar los tiempos de simulación de semanas a días aunque aún en la escala de los nanosegundos. Por otra parte, un tipo más especializado de simulaciones moleculares es QMMM (Quantum mechanics molecular mechanics), en la que se aplica mecánica cuántica para obtener energía potencial en vez de los campos de fuerza clásicos, permite una mejor descripción de los procesos que involucran transformaciones químicas como la catálisis enzimática. Desafortunadamente la demanda de CPU de los métodos de QMMM es extremadamente alta y en contraste con la MD regular también requiere grandes cantidades de memoria. Por su parte, el Centro de Investigaciones Energéticas Medioambientales y Tecnológicas (CIEMAT, Madrid, España), realiza labores de cálculo científico desde finales de los años 50 y se mantiene a la vanguardia de las distintas tecnologías que han ido surgiendo, y en particular, ha desarrollado aplicaciones científicas en el campo de la Biomedicina de código abierto. Dispone asimismo en sus instalaciones de un supercomputador y varios nodos Grid (Constelación Euler, 144 procesadores Dual Xeon quad-core 3.0 GHz (2 GB por core) y 96 procesadores Dual Xeon quad-core 2.96 GHz (2 GB por core). Nodo Grid de 250 cores 3GHz-2GB y 1TB de Memoria). El grupo de la Universidad Nacional de Colombia está trabajando en metagenómica de suelos buscando entender la biodiversidad funcional y el metabolismo edáfico de los suelos agrícolas. Su enfoque principal se basa en el diseño de un microarray que incluye los genes microbianos más importantes implicados en el metabolismo edáfico, relacionados con procesos como la fijación de nitrógeno, solubilización de fosfatos y los ciclos del azufre, carbono, fósforo y hierro, con el fin de catalogar los microorganismos patógenos y benéficos asociados a estos suelos, comprendiendo la

5 dinámica de las poblaciones de microorganismos. Claramente se trata de aplicaciones en las que se necesita integrar grandes y diversas cantidades de datos con procesos con fuerte E-S y otros con gran demanda de CPU. Por tanto puede ser muy atractivo desde el punto de vista aplicado de este software a un conjunto distinto de datos, en este caso en datos de pacientes. Finalmente, el Departamento de Arquitectura de Computadores de la Universidad de Málaga, coordinador en esta propuesta, es un grupo académico y de investigación centrado en el desarrollo de aplicaciones de alto rendimiento en tiempo real, software paralelo y arquitecturas para integración a muy gran escala. En los últimos 15 años ha estado implicado en aplicaciones de computación de alto rendimiento en bioinformática aplicadas a la biología. El grupo tiene gran experiencia en interacción con investigadores de formación biológica como médica y hemos participado en colaboraciones con otros departamentos e institutos en la universidad. Nuestra experiencia en multiprocesadores y software en paralelo se aplicará al diseño de las soluciones paralelas para las aplicaciones analizadas. Este grupo ha desarrollado varias plataformas bioinformáticas, en particular para la integración de datos y servicios computacionales del Instituto Nacional de Bioinformática (ISCIII, antes bajo el paraguas de Genoma-España), diversas aplicaciones para procesamiento de datos de secuencias biológicas usando técnicas de minería de datos e integración de fuentes de datos; software de aplicación para el análisis de datos expresión génica, estudios de análisis de datos en bioinformática y estudios de aplicación de técnicas de alto rendimiento en bioinformática. Además este grupo acredita diversos trabajos en biomedicina, en particular en análisis de secuencias y expresión génica y en la aplicación de computación de alto rendimiento en el área. EL grupo UMA dispone además de un Cluster 256 nodos JS20-IBM, con 512 procesadores; un multiprocesador Superdome-HP en arquitectura de memoria compartida con 64 nodos y 128 procesadores cada uno (Intel Itanium-2 Dual Core) ; un servidor NVIDIA-TESLA S870 dotado de cuatro tarjetas gráficas Quadro de gama alta en RACK 1U, con un total de 512 núcleos computacionales y 6 GB de memoria de vídeo y un cluster de tarjetas gráficas GeForce de las series 9 y 10 con el entorno de programación CUDA y un conjunto de librerías de soporte desarrolladas. Todo ello disponible para este proyecto. En resumen, en esta acción preparatoria se propone llevar a cabo el intercambio de conocimiento y experiencia entre grupos que trabajan en Computación de Alto Rendimiento en el área de Biología computacional con el fin de identificar potenciales líneas de colaboración que se traducirían en una acción resultante de gran impacto en el área. Ello permitirá a los grupos latinoamericanos tener una ventana de acceso a programas y proyectos internacionales en las áreas de bioinformática y biomedicina lo que permitirá incrementar el número de desarrolladores y aplicaciones de software de alto rendimiento, y mejorar el conocimiento de los procesos biológicos con incidencia en salud humana.