La salud de precisión en la palma de su mano
La salud de precisión es un enfoque del bienestar que tiene en cuenta la variabilidad en los genes, el entorno y el estilo de vida de cada persona. Y gracias a los avances tecnológicos, hoy está aquí. Crédito: Universidad de Michigan
La salud de precisión es un enfoque del bienestar que tiene en cuenta la variabilidad en los genes, el entorno y el estilo de vida de cada persona. Y gracias a los avances en tecnología, está aquí hoy. Se recopilan y analizan enormes cantidades de datos para administrar nuestra atención, con fuentes de datos que incluyen pruebas de laboratorio, sensores biométricos, registros de pacientes, datos hospitalarios y más. Pero los resultados pueden tardar en llegar, y la espera entre la prueba y el diagnóstico puede ser de días o semanas.
Sin embargo, los avances recientes en tecnologías para la secuenciación, el análisis y el diagnóstico del genoma en tiempo real están preparados para ofrecer un nuevo estándar de atención personalizada.
Imagínese un caso en el que un paciente ingresa en un clínica y se administra un simple análisis de sangre o saliva. Antes de finalizar la visita, se dispone de un diagnóstico completo y un plan de tratamiento personalizado. En otro escenario, un cirujano que busca extirpar un tumor con un impacto mínimo en el tejido sano podría confirmar las decisiones a través del análisis de muestras de tejido en tiempo real. Finalmente, imagine un detector de patógenos portátil que podría alertar a un usuario sobre una exposición peligrosa durante una pandemia o un brote de enfermedad.
La clave para hacer realidad estas y otras visiones sería un dispositivo portátil que proporcione secuenciación genómica en tiempo real. y análisis de ADN de pacientes o ADN o ARN de patógenos.
Avances en la secuenciación genética
Costó casi $3 mil millones para secuenciar el primer genoma humano en 2001. Hoy en día, el costo de secuenciar un el genoma humano completo está por debajo de los $1000 y se espera que alcance los $100 pronto. Además, los sistemas de secuenciación de primera y segunda generación eran grandes, caros y estaban diseñados para operaciones por lotes. Los resultados estarían disponibles días o más después de que se tomaron las muestras. Pero ahora existen sistemas de secuenciación de tercera generación nuevos y de menor costo, como el Oxford Nanopore MinION, que puede secuenciar rápidamente muestras individuales y caber en la palma de su mano.
El genoma humano se compone de más de tres mil millones de pares de bases de ADN. Para secuenciar un genoma, el MinION emplea pequeños nanoporos para dividir una muestra recolectada en miles de millones de hebras, llamadas «lecturas».
«El MinION es una gran herramienta de secuenciación portátil y es capaz de secuenciar rápidamente datos biológicos, » dice Reetuparna Das, profesora asociada en CSE. «Toma la muestra química, divide el ADN o el ARN en hebras y secuencia esas hebras en señales eléctricas, conocidas como ‘garabatos'». Sin embargo, no tiene la capacidad informática para analizar datos sin procesar en el campo y producir rápidamente resultados procesables».
Todo lo que se interpone entre nosotros y el diagnóstico en tiempo real es un sistema informático que puede analizar los datos secuenciados. y proporcionar recomendaciones de tratamiento y terapia incluso antes de que el paciente salga de la oficina.
Los desafíos informáticos
En lo que se conoce como análisis secundario, el trabajo de un sistema informático es interpretar garabatos como pares de bases de ADN, un proceso que se conoce como basecalling. Un par de bases es esencialmente un peldaño en la escalera de una estructura de ADN o ARN. Después de eso, el sistema debe alinear los datos leídos con los datos de referencia del genoma y luego identificar variantes entre la muestra y la referencia. Los datos variantes de los genomas humanos se utilizan para identificar un marcador de enfermedad genética. La secuenciación también se utiliza para identificar patógenos mediante la alineación de cadenas de ADN o ARN con una base de datos de patógenos de referencia y el uso de herramientas de clasificación metagenómica.
Investigadores de la UM están trabajando para brindar diagnósticos en tiempo real a los proveedores de atención médica a través de esfuerzos combinados en arquitectura informática y desarrollo de aprendizaje automático. Este gráfico muestra la canalización completa necesaria para pasar de la muestra de ADN al diagnóstico procesable. Cada paso está etiquetado en un cuadro blanco, y las herramientas que se están desarrollando en la UM para abordar ese paso a continuación, junto con una ilustración. Los investigadores utilizan datos de ADN secuenciados por el dispositivo Oxford Nanopore MinION. Crédito: Universidad de Michigan
Y aunque esto suena sencillo, la secuenciación produce entre GB y TB de datos y los desafíos de procesamiento son elevados debido a la precisión, la complejidad y la escala de la tarea. Dos equipos multidisciplinarios de investigadores en la UM están trabajando en enfoques para superar este obstáculo.
El profesor asociado Reetuparna Das y el profesor Satish Narayanasamy, junto con el profesor David Blaauw en Ingeniería Eléctrica e Informática, lideran un equipo financiado por la National Science Foundation y Kahn Foundation, que está desarrollando una plataforma de hardware/software para acelerar la secuenciación genómica de próxima generación con un enfoque en la detección de patógenos y la detección temprana del cáncer. En este esfuerzo, están colaborando con el profesor asociado de medicina interna y de microbiología e inmunología Robert Dickson y el profesor asistente Carl Koschmann de pediatría, así como con la profesora asociada Jenna Wiens, quien también forma parte del segundo equipo de investigación.
El segundo equipo, financiado por la Fundación Kahn, está desarrollando técnicas de adquisición de datos y aprendizaje automático para mejorar drásticamente la predicción, el tratamiento y la gestión de enfermedades en poblaciones que envejecen. Un componente clave de este esfuerzo es el uso del aprendizaje automático para acelerar los análisis metagenómicos.
Este esfuerzo interdisciplinario a gran escala es una colaboración entre investigadores del Instituto de Tecnología TechnionIsrael, el Instituto Weizmann y la UM. Los investigadores de la UM están dirigidos por Betsy Foxman, profesora de epidemiología en la Escuela de Salud Pública. Wiens, quien también es codirector de UM Precision Health, es codirector ejecutivo del grupo de investigación de UM.
Una plataforma informática acelerada para la secuenciación genómica
Blaauw, Das, y Narayanasamy se centran en acelerar y optimizar drásticamente la canalización para procesar datos de MinION. El objetivo, dicen los investigadores, es reducir el tiempo requerido para analizar un genoma secuenciado de cientos de horas de CPU a una cuestión de minutos.
«Para aprovechar todo el potencial de la secuenciación genómica», dice Das, «La potencia de cómputo debe aumentar en órdenes de magnitud».
El problema es que eso no es posible con los mapas de ruta de los procesadores tradicionales, donde los transistores y núcleos adicionales se empaquetan cada vez más en un procesador para obtener ganancias de procesamiento incrementales. Agregar núcleos de programación adicionales tampoco resolverá el problema.
«El crecimiento sostenible del rendimiento del procesador solo es posible con capas personalizadas que incluyen hardware, software y algoritmos», dice Das.
Hay una serie de áreas de ineficiencia que ocurren durante el análisis secundario que el equipo está abordando.
Primero, dice Das, es el proceso de alineación de lectura, durante el cual los datos de lectura se alinean con los datos de referencia del genoma. La alineación de lectura se compone de dos pasos: siembra y extensión de la semilla.
Una canalización más rápida para analizar datos secuenciados: un Oxford Nanopore MinION en el laboratorio de los investigadores permite la secuenciación rápida y móvil del genoma. Los investigadores de la UM están trabajando para acelerar la eficiencia del análisis del genoma y microbioma aguas abajo. Crédito: Reetuparna Das
La siembra encuentra un conjunto de ubicaciones candidatas en el genoma de referencia donde se puede alinear una lectura. Las posibles coincidencias se conocen como aciertos en la referencia. En la extensión semilla, para una lectura, las cadenas de referencia en las posiciones de acierto coinciden en la lectura. Con la tecnología actual, esto requiere cientos de horas de CPU para un genoma completo.
Para la siembra, los investigadores descubrieron un enorme cuello de botella en el ancho de banda de la memoria. Codiseñaron hardware/software y desarrollaron un nuevo algoritmo, estructura de datos e índice que intercambia capacidad de memoria por ancho de banda de memoria. Luego construyeron un acelerador personalizado que atraviesa el nuevo índice de manera eficiente para encontrar coincidencias y semillas. El algoritmo de inicialización se lanzó como software de código abierto y está previsto que se integre con el software de alineación de última generación de Broad Institute e Intel.
Para la extensión de inicialización, crearon una matriz sistólica que en unos pocos cientos Los ciclos utilizan la coincidencia aproximada de cadenas para hacer coincidir los datos de lectura y referencia.
Los investigadores han desarrollado un ASIC personalizado para eliminar el cuello de botella de rendimiento mediante el uso de un algoritmo de poda para optimizar la alineación de las lecturas de ADN y las mutaciones candidatas y al reducir la flotación cálculo de puntos multiplicado por 43 cuando se prueba en datos humanos reales.
Estas mejoras y otras se han asignado a hardware personalizado. Esto incluye un acelerador para extensión de inicialización que logra 2,46 millones de lecturas por segundo, una mejora de rendimiento de ~1800x y una huella de silicio 27 veces más pequeña en comparación con un procesador Xeon E5420.
Según los investigadores, cuando se ejecuta en un servidor de gama alta de 56 núcleos en la nube de Amazon, sus herramientas de análisis secundarias tardarán unas seis horas en secuenciar el genoma completo. En un servidor Amazon FPGA, esto se reduce a unos 20 minutos. Cuando se ejecuta en el hardware personalizado de los investigadores, el tiempo de procesamiento es de aproximadamente un minuto.
El equipo también ha desarrollado técnicas para optimizar el proceso de lectura para la detección de patógenos. Una es analizar rápidamente el comienzo de una lectura para determinar si es material huésped o patógeno. Si es el anfitrión, el resto de la lectura se puede omitir, ya que solo interesa el material patógeno. Además, los investigadores a menudo pueden lograr esta diferenciación entre el huésped y el patógeno mediante el aprendizaje automático en datos ondulados, sin la necesidad de una llamada base intensiva en recursos.
Análisis de microbioma para proporcionar información más rápida
Cuando se procesan muestras clínicas, una tubería de procesamiento de datos rápida es clave para brindar información útil.
«En las muestras clínicas, gran parte de los datos, a veces hasta un 90 %, pueden ser ADN del huésped, en lugar de microbios». ADN», dice Meera Krishnamoorthy, Ph.D. estudiante que trabaja con Wiens. «Como resultado, las herramientas de clasificación metagenómica existentes almacenan mucha información sobre el anfitrión, y esto puede volverse ineficiente desde el punto de vista computacional».
En colaboración con un equipo de investigadores de Michigan Medicine y la Escuela de Salud Pública, Wiens y Krishnamoorthy están trabajando en enfoques de aprendizaje automático in-silico para el agotamiento del host, o la eliminación de las lecturas de datos del host, que se convertirán en parte del hardware personalizado de Das, Blaauw y Narayanasamy. Su objetivo es eliminar todos los datos del host antes de la clasificación, lo que permite que los análisis de microbiomas posteriores se centren únicamente en los datos microbianos. Los métodos de agotamiento del host existentes se basan en el laboratorio y su ejecución puede requerir muchos recursos.
Por el contrario, el enfoque de Krishnamoorthy y Wiens es computacional y no se basa en grandes bases de datos de referencia, sino que se basa en una red neuronal convolucional. . Toma como entrada la salida de lectura del basecaller y luego, después de una serie de convoluciones y pasos de agrupación, genera una predicción sobre si la lectura pertenece o no al host. El enfoque propuesto propone aumentar la eficiencia de los análisis posteriores, lo que permite la investigación de microbiomas que tiene el potencial de transformar la atención médica futura.
Explore más
El equipo de investigación desarrolla un software que reduce el tiempo y el costo de la secuenciación de genes Proporcionado por la Universidad de Michigan Cita: salud de precisión en la palma de su mano (2021, 12 de enero) recuperado 30 de agosto de 2022 de https://medicalxpress.com/news/2021-01-precision-health-palm.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.