Kai 2020-aisiais pasaulis pirmą kartą plačiai išgirdo žodžius „mRNR vakcina“, dauguma įsivaizdavo tai kaip grynai biologijos ar medicinos pasiekimą. Iš tiesų, jei pažvelgtume po gaubtu, pamatytume kažką, kas informacinių technologijų specialistui atrodys nepaprastai pažįstama – milžiniškus duomenų masyvus, algoritmus, optimizavimo uždavinius ir skaičiavimo galios poreikį, prilygstantį rimtiems mokslinio skaičiavimo projektams. mRNR technologija šiandien yra tiek pat IT istorija, kiek ir biologijos.
Genetinė seka kaip duomenų struktūra
Pradėkime nuo pagrindų. mRNR molekulė iš esmės yra tekstinė eilutė, sudaryta iš keturių simbolių abėcėlės – A, U, G, C. Skamba pažįstamai, tiesa? Tai beveik identiška situacija, su kokia susiduria programuotojas, dirbantis su binariniais duomenimis ar simbolių eilutėmis. Tik čia „abėcėlė“ koduoja ne tekstą, o instrukcijas ląstelei, kaip pagaminti tam tikrą baltymą.
Skirtumas nuo įprastų duomenų struktūrų tas, kad ši seka turi biologinę prasmę kiekvienoje trijų nukleotidų grupėje (kodone), o pati molekulė dar ir sulankstoma į erdvinę struktūrą, kuri veikia jos stabilumą ir funkciją. Taigi mRNR dizaineriai iš tikrųjų sprendžia dvimatį uždavinį – reikia parinkti teisingą simbolių seką, kuri vėliau taps ir teisinga trimate forma. Būtent čia į žaidimą įsijungia skaičiavimo metodai, kuriuos IT specialistas atpažins iš optimizavimo teorijos.
Kodonų optimizavimas – algoritminis galvosūkis
Vienas iš pirmųjų žingsnių kuriant mRNR vaistą ar vakciną – parinkti optimalią kodonų seką konkrečiam baltymui užkoduoti. Čia slypi įdomus faktas: tas pats aminorūgščių baltymas gali būti užkoduotas dešimtimis skirtingų būdų, nes daugelis aminorūgščių turi kelis sinonimiškus kodonus. Tai reiškia, kad kūrėjai turi didžiulę paieškos erdvę – panašiai kaip sprendžiant kombinatorinį optimizavimo uždavinį.
Programinė įranga, naudojama šiam tikslui (pavyzdžiui, įrankiai tipo ViennaRNA paketo ar komercinių platformų algoritmai), taiko dinaminio programavimo principus, panašius į tuos, kuriuos naudojame ieškodami trumpiausio kelio grafuose ar optimizuodami duomenų bazės užklausas. Tikslas – rasti seką, kuri:
- užtikrina stabilią mRNR molekulės struktūrą (mažina degradaciją);
- optimizuoja transliacijos greitį ląstelėje;
- išvengia nepageidaujamų antrinių struktūrų, kurios trukdytų ribosomoms;
- sumažina imuninės sistemos aktyvinimą prieš pačią molekulę.
Praktiškai tai reiškia, kad kiekvienam kandidatui į vaistą reikia paleisti tūkstančius ar milijonus simuliacijų, įvertinant termodinaminį stabilumą. Tai jau nebe „biologijos“ užduotis vien laboratorijoje – tai skaičiavimo klasteriuose vykstantis procesas.
Kur čia debesijos technologijos ir superkompiuteriai
Kai Moderna ar BioNTech kūrė savo COVID-19 vakcinas per rekordiškai trumpą laiką, didelė dalis to greičio atsirado ne dėl to, kad biologija tapo paprastesnė, o dėl to, kad skaičiavimo infrastruktūra leido lygiagrečiai testuoti milžinišką skaičių sekos variantų. Debesijos platformos (AWS, Google Cloud, Microsoft Azure) tapo standartiniu įrankiu biotechnologijų kompanijoms, nes leidžia elastingai skalauti skaičiavimo galią – vienu momentu reikia tūkstančio branduolių sekų analizei, kitą mėnesį poreikis krenta iki kelių dešimčių.
Įdomu tai, kad daug biotechnologijų startuolių iš esmės tapo hibridinėmis IT-biologijos kompanijomis. Jų komandose šalia molekulinių biologų sėdi duomenų mokslininkai, DevOps inžinieriai ir net GPU optimizavimo specialistai. Skaičiavimo klasteriai, panašūs į tuos, kuriuos naudoja finansų sektorius rizikos modeliavimui, dabar dirba su RNR sekų prognozavimu.
Praktinis patarimas tiems, kas domisi šia sritimi ir galvoja apie karjerą – bioinformatika šiandien reikalauja ne tik biologijos žinių, bet ir tvirtų Python, R, o vis dažniau ir CUDA/GPU programavimo įgūdžių. Jei jau moki dirbti su dideliais duomenų rinkiniais ir lygiagrečiu skaičiavimu, perėjimas į šią sritį nėra toks jau didelis šuolis.
Dirbtinis intelektas RNR struktūros prognozavime
Čia verta paminėti analogiją, kurią daugelis IT žmonių jau girdėjo – DeepMind sukurtas AlphaFold sprendė baltymų struktūros prognozavimo problemą, kuri dešimtmečius buvo laikoma vienu sunkiausių skaičiavimo biologijos uždavinių. Panašūs principai dabar taikomi ir RNR struktūrai prognozuoti.
Modeliai, tokie kaip RNA-FM ar panašūs transformerių architektūra pagrįsti tinklai, mokosi iš milžiniškų RNR sekų duomenų bazių atpažinti dėsningumus, kurie žmogui ar tradiciniam algoritmui liktų nematomi. Esmė ta pati kaip ir didelių kalbos modelių atveju – tik čia „žodžiai“ yra nukleotidai, o „sakiniai“ – funkcinės RNR sekos.
Šis požiūris keičia visą kūrimo procesą. Vietoje to, kad tyrėjai rankomis bandytų dešimtis variantų ir tikrintų juos laboratorijoje, dabar galima pirmiausia „prapūsti“ tūkstančius kandidatų per neuroninį tinklą, kuris nuspės tikėtiną stabilumą ir efektyvumą, o tik geriausius kelis variantus siųsti į fizinį testavimą. Tai sutaupo ne mėnesius, o kartais metus kūrimo laiko.
Verta paminėti, kad šie modeliai nėra tobuli – jie duoda tikimybinius įvertinimus, o ne absoliučią tiesą. Todėl praktikoje niekas nepasitiki vien AI išvestimi – ji naudojama kaip filtras, sumažinantis paieškos erdvę prieš eksperimentinį patvirtinimą.
Duomenų valdymas ir infrastruktūros iššūkiai gamyboje
Kai mRNR vaistas pereina nuo laboratorinio prototipo prie masinės gamybos, atsiranda visiškai kita IT problema – gamybos linijų automatizavimas ir kokybės kontrolės duomenų sekimas. Kiekviena gamybos partija generuoja didžiulius kiekius sensorinių duomenų – temperatūra, pH lygis, grynumo rodikliai. Šie duomenys turi būti realiu laiku analizuojami, saugomi ir atsekami (traceability), nes reguliavimo institucijos, tokios kaip FDA ar EMA, reikalauja pilno audito tako kiekvienai partijai.
Tai reiškia, kad gamybos įmonės investuoja į MES (Manufacturing Execution Systems) sistemas, integruotas su IoT jutikliais ir duomenų analitikos platformomis. Iš IT perspektyvos tai panašu į pramonės 4.0 principų taikymą, tik su papildomu sluoksniu – biologiniai produktai yra jautrūs, o klaidos kaina yra ne sugedusi detalė, o galimai nesaugus vaistas.
Keletas praktinių dalykų, kurie čia svarbūs:
- duomenų vientisumas (data integrity) turi būti užtikrintas nuo pat pirmo sensoriaus iki galutinės ataskaitos – jokių rankinių pataisymų be aiškaus audito tako;
- sistemos turi atlaikyti reguliuojamos aplinkos reikalavimus, pavyzdžiui, 21 CFR Part 11 JAV rinkoje;
- kibernetinis saugumas gamybos linijose tampa kritinis, nes bet koks sistemos sutrikimas gali sustabdyti visą partiją.
Privatumas, saugumas ir etiniai klausimai skaitmeniniame lygmenyje
Kadangi mRNR technologijos vis dažniau taikomos ir personalizuotai medicinai – pavyzdžiui, individualizuotoms vėžio vakcinoms, kuriamoms pagal konkretaus paciento naviko genetinį profilį – atsiranda dar viena IT dimensija: jautrių medicininių duomenų apdorojimas. Kiekvieno paciento naviko sekvenavimo duomenys yra be galo asmeniniai, ir jų apdorojimas turi atitikti tokius reglamentus kaip GDPR Europoje ar HIPAA JAV.
Praktikoje tai reiškia, kad genomikos duomenų platformos turi taikyti šifravimą tiek ramybės būsenoje, tiek perdavimo metu, griežtą prieigos kontrolę pagal vaidmenis (RBAC), o kai kur – ir federuoto mokymosi (federated learning) metodus, kai AI modeliai mokomi iš kelių ligoninių duomenų, tų duomenų fiziškai neperkeliant į vieną centrinę saugyklą. Tai leidžia gauti didesnės apimties mokymosi duomenis, nesukeliant papildomos rizikos pacientų privatumui.
Ką visa tai reiškia paprastam vartotojui ir kur link ritamės
Grįžtant prie esmės – mRNR technologija yra puikus pavyzdys, kaip biologijos revoliucija tiesiogiai priklauso nuo skaičiavimo galimybių. Be pigios ir prieinamos debesijos, be dinaminio programavimo algoritmų, be mašininio mokymosi modelių, gebančių per sekundes įvertinti tūkstančius RNR sekos variantų, šiuolaikinės vakcinos ir terapijos tiesiog nebūtų atsiradusios per tokį trumpą laiką.
Jei domitės šia sritimi profesionaliai, keletas praktinių krypčių, į kurias verta pažvelgti:
- išbandykite atviro kodo įrankius kaip ViennaRNA, RNAfold ar LinearFold – jie leidžia savarankiškai pasimatuoti, kaip veikia RNR struktūros prognozavimas;
- jei turite duomenų mokslo pagrindą, pasidomėkite bioinformatikos kursais, kurie derina Python, statistiką ir molekulinę biologiją – šiandien tai viena paklausiausių nišų technologijų rinkoje;
- sekite publikacijas apie transformerių architektūros pritaikymą sekoms – tai ta pati technologija, kuri stovi už didelių kalbos modelių, tik pritaikyta biologiniams duomenims;
- jeigu dirbate su infrastruktūra, atkreipkite dėmesį į hibridinių debesijos sprendimų kūrimą – daugelis biotechnologijų kompanijų ieško specialistų, gebančių derinti aukštos našos skaičiavimą (HPC) su reguliuojamos aplinkos reikalavimais.
Galiausiai, verta suprasti vieną dalyką – mRNR technologija toli gražu dar neišnaudojo viso savo potencialo. Kalbama apie personalizuotas vėžio terapijas, retas genetines ligas, net apie žemės ūkio ir veterinarijos taikymus. Ir kiekvienu iš šių atvejų, po biologijos gaubtu, tikrai rasime tą patį – algoritmus, duomenų srautus ir infrastruktūrą, kuri šiandien tampa tiek pat svarbi kaip ir pati molekulė.
