خلاصه

یادگیری عمیق تقریباً در هر زمینه تحقیقاتی، از جمله مواردی که اهمیت مستقیمی برای کشف دارو دارند، مانند شیمی دارویی و فارماکولوژی، مختل کرده است. این انقلاب عمدتاً به پیشرفت‌های بی‌سابقه در واحدهای پردازش گرافیکی بسیار موازی‌پذیر (GPU) و توسعه الگوریتم‌های مجهز به GPU نسبت داده شده است. در این بررسی، مروری جامع از روندهای تاریخی و پیشرفت‌های اخیر در الگوریتم‌های GPU ارائه می‌کنیم و تأثیر فوری آن‌ها بر کشف داروهای جدید و اهداف دارویی را مورد بحث قرار می‌دهیم. ما همچنین پیشرفته‌ترین معماری‌های یادگیری عمیق را پوشش می‌دهیم که کاربردهای عملی در هر دو مرحله کشف اولیه دارو و در نتیجه مراحل بهینه‌سازی ضربه به سرب پیدا کرده‌اند، از جمله تسریع اتصال مولکولی، ارزیابی اثرات خارج از هدف و پیش بینی خواص دارویی ما با بحث در مورد تأثیرات شتاب GPU و مدل‌های یادگیری عمیق بر دموکراسی‌سازی جهانی حوزه کشف دارو که ممکن است منجر به اکتشاف کارآمد جهان شیمیایی در حال گسترش برای تسریع در کشف داروهای جدید شود، نتیجه‌گیری می‌کنیم.

اصلی

در ابتدا برای سرعت بخشیدن به گرافیک سه بعدی توسعه یافته بود، مزایای GPU برای محاسبات موازی قدرتمند به سرعت توسط جامعه علمی تحسین شد. اولین تلاش‌ها برای استفاده از پردازنده‌های گرافیکی برای اهداف علمی، از زبان سایه‌زن قابل برنامه‌ریزی برای اجرای محاسبات استفاده می‌کرد. در سال 2007، انویدیا Compute Unified Device Architecture (CUDA) را به عنوان یک توسعه دهنده زبان برنامه نویسی C، همراه با کامپایلرها و دیباگرها منتشر کرد و دریچه هایی را برای انتقال بارهای کاری فشرده محاسباتی به شتاب دهنده های GPU باز کرد. پیشرفت‌های بیشتر از انتشار کتابخانه‌های ریاضی رایج مانند تبدیل فوریه سریع و زیرروال‌های جبر خطی پایه، که برای محاسبات علمی بنیادی بودند، حاصل شد. در همان سال، اولین برنامه‌های شیمی محاسباتی به پردازنده‌های گرافیکی منتقل شدند و موازی‌سازی مؤثر مکانیک مولکولی و محاسبات کوانتومی مونت کارلو1 را ممکن ساختند.

در سپتامبر 2014، NVIDIA cuDNN را منتشر کرد، یک کتابخانه با شتاب GPU از ابزارهای اولیه برای شبکه‌های عصبی عمیق (DNN) که روال‌های استانداردی مانند کانولوشن رو به جلو و عقب، ادغام، نرمال‌سازی و لایه‌های فعال‌سازی را پیاده‌سازی می‌کند. به نظر می رسد که پشتیبانی معماری برای زیرفرایندهای آموزشی و آزمایشی فعال شده توسط GPU ها به ویژه برای رویه های یادگیری عمیق استاندارد (DL) موثر باشد. در نتیجه، یک اکوسیستم کامل از پلتفرم های DL2 با شتاب GPU پدید آمده است. در حالی که NVIDIA's CUDA یک چارچوب برنامه نویسی GPU معتبرتر است، ROCm3 AMD یک پلتفرم جهانی برای محاسبات با شتاب GPU است. ROCm فرمت های عددی جدیدی را برای پشتیبانی از کتابخانه های رایج یادگیری ماشین منبع باز مانند TensorFlow و PyTorch معرفی کرد. همچنین ابزاری را برای انتقال کد NVIDIA CUDA به سخت افزار AMD فراهم می کند. توجه به این نکته ضروری است که AMD نه تنها در رقابت محاسباتی GPU به پلتفرم ROCm می رسد، بلکه اخیراً معماری جدید پردازنده گرافیکی پرچمدار AMD Instinct MI200 Series5 را برای رقابت با آخرین معماری GPU NVIDIA Ampere A100 معرفی کرده است.

زمینه‌های بیوانفورماتیک، شیمی‌فورماتیک و شیمی‌شناسی به‌ویژه، از جمله کشف دارو به کمک رایانه (CADD)، از روش‌های DL که بر روی پردازنده‌های گرافیکی اجرا می‌شوند، استفاده کرده‌اند. اکثر چالش ها در CADD به طور معمول با مشکلات ترکیبی و بهینه سازی مواجه بوده اند و یادگیری ماشین در ارائه راه حل هایی برای آنها موثر بوده است. بنابراین، پیشرفت های عمده ای در DL برای کاربردهای CADD مانند غربالگری مجازی، طراحی جدید دارو، جذب، توزیع، متابولیسم، دفع و پیش بینی خواص سمیت (ADMET) و غیره انجام شده است.

در اینجا، ما در مورد اثرات موازی‌سازی پشتیبانی شده توسط GPU و توسعه و کاربرد مدل DL بر مقیاس زمانی و دقت شبیه‌سازی پروتئین‌ها و کمپلکس‌های پروتئین لیگاند بحث می‌کنیم. ما همچنین نمونه‌هایی از الگوریتم‌های DL را ارائه می‌کنیم که برای تعیین ساختار در میکروسکوپ کریو الکترونی (cryo-EM) و پیش‌بینی ساختار سه بعدی پروتئین‌ها استفاده می‌شوند.

محاسبات GPU و DL برای شبیه سازی مولکولی

شتاب GPU از موازی سازی عظیم داده ها ناشی می شود که از عملیات مستقل مشابه انجام شده روی بسیاری از عناصر داده ناشی می شود. در گرافیک، نمونه‌ای از عملیات موازی داده‌های متداول، استفاده از یک ماتریس چرخش در میان مختصات است که موقعیت اشیاء را هنگام چرخش نما توصیف می‌کند. در یک شبیه سازی مولکولی، موازی سازی داده ها را می توان برای محاسبه مستقل انرژی های پتانسیل اتمی اعمال کرد. به طور مشابه، آموزش مدل DL شامل پاس های رو به جلو و عقب است که معمولاً به صورت تبدیل های ماتریسی که به راحتی قابل موازی سازی هستند بیان می شوند.