Los investigadores usan recursos de ALCF para modelar la propagación de COVID-19

Patrones de ocupación en el área de Chicago generados usando el modelo Argonne CityCOVID. Crédito: Laboratorio Nacional de Argonne

Con el COVID-19 alterando drásticamente la vida diaria de las personas en todo el planeta, el Laboratorio Nacional de Argonne del Departamento de Energía de EE. UU. (DOE) se ha movido rápidamente para unirse a la lucha mundial contra la pandemia. Entre los recursos más poderosos del laboratorio para la investigación científica se encuentra la supercomputadora Theta, ubicada en Argonne Leadership Computing Facility (ALCF), una instalación para usuarios de la Oficina de Ciencias del DOE. Inmediatamente se reservaron más de 250 nodos de la máquina para la investigación múltiple de la enfermedad.

Dirigida por el científico computacional de Argonne, Jonathan Ozik, y el miembro distinguido de Argonne, Charles (Chick) Macal, una de estas ramas de investigación supervisa el desarrollo de modelos epidemiológicos para simular la propagación de COVID-19 entre la población.

Los modelos son simulaciones a escala de la ciudad de Chicago, pobladas con poco menos de 3 millones de agentes que representan a personas que cumplen con sus horarios diarios y navegan alrededor de 1,2 millones de sitios (casas, escuelas, lugares de trabajo, etc.) que presentan posibilidades para que puedan conocer, o colocar, es decir, posibilidades de exposición. Después de la exposición, un agente puede infectarse de manera grave, según el perfil del agente, que incluye características de edad. Un cierto número de los agentes infectados perece entonces.

Estos modelos que funcionan durante un año simulado se revisan y mejoran diariamente, de acuerdo con los datos e información más actualizados. Estas actualizaciones avanzan hacia un flujo de trabajo completamente automatizado.

«El flujo de trabajo ingiere datos epidemiológicos actualizados, por ejemplo, los que publica diariamente el Departamento de Salud Pública de Chicago, que sirven como trayectorias objetivo empíricas. Al compararlos con los resultados generados a partir del conjunto las ejecuciones del modelo, podemos estimar los parámetros subyacentes de la pandemia», dijo Ozik. «Son estos parámetros calibrados los que nos permiten ejecutar diferentes escenarios con el modelo».

Patrones de movilidad de los agentes, generados con el modelo Argonne CityCOVID. Crédito: Laboratorio Nacional de Argonne

«Esta es la simulación granular más detallada de COVID-19 que existe en este momento en términos de modelado de individuos que podrían estar en varios estados de enfermedad, incluidos infecciosos u hospitalizados», dijo Macal.

Los modelos siguen líneas de investigación que serán familiares para cualquiera que siga el virus en los medios de comunicación, por ejemplo, la diferencia en el resultado que se produce al implementar medidas de distanciamiento social durante muchos días o semanas adicionales.

» ¿Cuáles son buenas formas de aliviar las medidas de distanciamiento social?». preguntó Ozik. «Todo el mundo está interesado en eso por razones muy obvias, pero no queremos hacer algo que solo creará otra calamidad dentro de unos meses».

Las demandas computacionales significativas del proyecto son el resultado de la componentes estocásticos (determinados aleatoriamente) de los modelos, que gobiernan las incertidumbres subyacentes y los parámetros de la simulación. Estos parámetros rigen los comportamientos de los agentes, así como la dinámica de progresión de la enfermedad y la transmisibilidad. Dentro del modelo, la transmisibilidad resume la probabilidad de que un agente susceptible se infecte, según la cantidad de tiempo que dos agentes pasan juntos.

Redes de contacto endógenas, generadas con el modelo Argonne CityCOVID. Crédito: Laboratorio Nacional de Argonne

«Con este modelo, potencialmente hay muchas personas que interactúan de muchas maneras diferentes: algunas pueden estar infectadas, otras pueden ser susceptibles y se mezclan en diferentes proporciones en una variedad de ubicaciones diferentes; hay diferentes ubicaciones como escuelas y lugares de trabajo donde partes muy diferentes de la población interactúan», explicó Ozik. «La multitud de posibilidades que presenta el modelo lo hacen cualitativamente diferente y cuantitativamente más complejo que un modelo estadístico o modelos compartimentales más simplificados, que son mucho más rápidos de ejecutar».

Con la asistencia de optimización del personal de ALCF, la simulación se ejecuta en Theta han utilizado más de 800 nodos a la vez. Como parte del flujo de trabajo automatizado, después de estas ejecuciones de simulación, los datos de salida se transfieren a Petrel (un servicio proporcionado por Argonne and Globus, una organización sin fines de lucro administrada por la Universidad de Chicago comprometida con la gestión de datos) para el almacenamiento de archivos y el posprocesamiento; este procesamiento posterior se completa en Bebop, un clúster de computación de alto rendimiento operado por el Centro de recursos de computación del laboratorio de Argonne que el equipo también aprovecha para las ejecuciones de simulación.

«Es el panorama general lo que estamos tratando de capturar con estas simulaciones», dijo Macal. «¿Cómo podemos innovar y contribuir generando información que no está disponible en ningún otro lugar? Queremos tener un impacto en las decisiones que se están tomando sobre el distanciamiento social y la apertura de la sociedad».

Explore más

Expandiendo los límites de la medicina personalizada con computación de alto rendimiento Proporcionado por el Laboratorio Nacional de Argonne Cita: Los investigadores usan los recursos de ALCF para modelar la propagación de COVID-19 (2020, mayo 28) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-05-alcf-resources-covid-.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.