Моделирование клеток, тела, инфекций и многого другого на различных компьютерах подробно рассматривается в последующих главах, но подготовка к эпохе экзафлопсов уже идет полным ходом. Исследователи из Юлихского исследовательского центра в Германии, команды мощного суперкомпьютера Fugaku в Японии и Королевского технологического института в Стокгольме, Швеция, создают экзамасштабные модели сетей мозга, которые могут работать на LUMI в Каяани, Финляндия, европейской предэкзафлопсной машине. По словам Маркуса Дисмана, директора Института нейронаук и медицины Юлихского центра, к 2014 г. они разработали программное обеспечение, способное моделировать около 1 % нейронов человеческого мозга со всеми связями. Эти симуляции включают в себя контуры базальных ганглиев, которые расположены у основания мозга и, среди прочего, координируют движения. Одна из целей исследования – изучить роль этих цепей при болезни Паркинсона, которая вызывает скованность мышц и тремор.

Но была загвоздка: моделирование взяло на себя основную память петамасштабного суперкомпьютера, который, как правило, состоит из десятков тысяч вычислительных узлов. Чтобы создать виртуальные связи между виртуальными нейронами, группа японских и европейских исследователей сначала отправила электрические сигналы всем узлам, каждый из которых затем проверял, какой из сигналов является релевантным, создавая свою конкретную часть сети. Но это невозможно масштабировать до экзамасштаба: потребность в памяти на каждом узле для проверки актуальности каждого электрического импульса в масштабе человеческого мозга потребовала бы, чтобы память каждого процессора была в 100 раз больше, чем в современных суперкомпьютерах.

Чтобы лучше использовать параллелизм в экзафлопсных машинах, был разработан новый алгоритм, который сначала определяет, какие узлы обмениваются нейронной активностью, а затем отправляет узлу только необходимую информацию. Это не только подготовило симуляции к экзашкале, но и повысило скорость симуляций на современных суперкомпьютерах[188]. В случае одного моделирования на суперкомпьютере JUQUEEN в Юлихе, Германия, новый алгоритм сократил время расчета секунды биологического времени для 0,52 миллиарда нейронов, соединенных 5,8 триллиона синапсов, с почти получаса до чуть более 5 мин.

Еще одним примером реализации экзафлопсной инициативы является Аргоннская национальная лаборатория, которая сотрудничает с Чикагским университетом, Гарвардским университетом и Принстонским университетом в использовании огромных объемов изображений с высоким разрешением, полученных из образцов тканей головного мозга, для понимания более широкой структуры мозга и способов, которыми каждая мельчайшая клетка мозга (или нейрон) соединяется с другими, образуя когнитивные пути, сначала в «нормальном» мозге, а затем в том, который поражен болезнью или старением. Высокопроизводительные машины необходимы, потому что сравнить миллионы нейронов и соединяющих их синапсов в двух человеческих мозгах – это монументальная задача, требующая экзабайтов данных, не говоря уже об изучении множества мозгов на разных стадиях развития.

Рак – еще одна цель экзафлопсных машин. Чтобы создать «цифрового двойника онкологического пациента» для персонализированного лечения, Национальная лаборатория Фредерика в Мэриленде возглавила тесное сотрудничество между Национальным институтом рака и Министерством энергетики США[189][190]. Эрик Штальберг, директор Управления биомедицинской информатики и науки о данных Фредерикского центра, с 2014 г. говорит о моделировании рака в экзамасштабе и теперь считает, что «мы находимся на пороге революционных исследований».

Сотрудничество показывает ценность командной науки, которая объединяет дисциплины и организации. Один из проектов под руководством Мэтью Маккоя из Джорджтаунского университета направлен на моделирование миллиона цифровых двойников пациентов с раком поджелудочной железы, чтобы оценить чувствительность и устойчивость к лекарствам. Другие элементы этого проекта цифрового двойника сосредоточены на раке молочной железы, немелкоклеточном раке легких и смертельном распространении меланомы – рака кожи. Например, проект «Мой виртуальный рак», возглавляемый Лейли Шахрияри из Массачусетского университета в Амхерсте, направлен на моделирование эволюции рака молочной железы.

Есть надежда, что однажды цифровые двойники больных раком будут использовать данные в реальном времени для корректировки лечения, мониторинга реакции и отслеживания изменений образа жизни. Рассмотрим пациента с острым миелолейкозом, раком крови, которого лечили донорскими стволовыми клетками для восстановления иммунной системы. После рецидива цифровой двойник может помочь продемонстрировать влияние различных сценариев лечения с использованием различных комбинаций лекарств в разных дозах, чтобы помочь обсудить варианты, которые подходят пациенту. В долгосрочной перспективе легионы цифровых двойников больных лейкемией могут помочь определить, куда лучше всего инвестировать ресурсы (рис. 20).

Рисунок 20. Виртуальные популяционные модели представляют собой набор подробных анатомических моделей высокого разрешения, созданных на основе данных магнитно-резонансной томографии добровольцев (IT’IS Foundation)

Европа также поддерживает различные крупные инициативы виртуальных людей, такие как EuroHPC, которая финансирует Европейскую инициативу по процессорам для создания собственных процессоров и ускорителей с учетом суперкомпьютеров экстремального масштаба. Французская компания SiPearl разрабатывает высокопроизводительный и маломощный микропроцессор, подходящий, например, для экзафлопсных вычислений. В обширной европейской программе финансирования Horizon 2020 есть соответствующие направления, включая центр Питера CompBioMed2. С ним связаны и другие проекты, такие как DeepHealth, который использует глубокое обучение, компьютерное зрение и другие методы для более эффективной диагностики, мониторинга и лечения заболеваний, и Exa Mode, который анализирует большие и разнообразные данные здравоохранения.

Обратите внимание, что как европейские, так и американские инициативы частично обусловлены попытками разобраться в цунами данных пациентов с помощью глубокого обучения, формы искусственного интеллекта (ИИ). Рост мощности компьютеров, который набрал темп со скоростью, не имеющей себе равных ни в одной другой отрасли человеческих технологий, до такой степени сопровождался ростом ИИ, что сегодня бросает вызов идее об уникальности человеческих когнитивных способностей. Сейчас на ИИ лежит огромное бремя ожиданий – он обеспечит революционную информацию, не в последнюю очередь о работе человеческого тела. Может ли ИИ разделаться со вторым шагом, необходимым для создания виртуального человека, и превратить ваши медицинские данные в своего цифрового двойника? Использование ИИ действительно знаменует собой четвертый шаг к виртуальному человеку, и не из-за больших данных как таковых, а из-за того, что мы называем большим ИИ.