Внеклеточная РНК представляет собой один из наиболее информативных источников биологических данных в крови человека, она отражет актуальную экспрессию генов в тканях в реальном времени. Однако анализ такого объема информации сопряжен с серьезными вычислительными сложностями: один образец крови содержит сотни миллионов транскриптомных наблюдений, а дифференциальный сигнал ранних стадий заболевания распределен по всему транскриптому. Предыдущие разработки Network Bio, в частности, модели Exai-1 и Orion, информация о которых опубликована в Nature Machine Intelligence и Nature Communications, продемонстрировали эффективность трансформерных архитектур, достигнув чувствительности 94% и специфичности 87% при детекции раннего рака легкого. Новое сотрудничество позволит масштабировать этот подход с исследовательских когорт до популяционного уровня обучения.
Предусмотрено два ключевых направления сотрудничества стартапа и техногиганта. Первое – создание популяционной cfRNA-модели Nexus на базе самообучаемого трансформера с использованием технологических решений NVIDIA, включая Transformer Engine, что уже на ранних этапах продемонстрировало повышение пропускной способности обучения и сокращение времени сходимости. Второе – внедрение NVIDIA Parabricks для ускорения вторичного биоинформатического анализа, выравнивания и контроля качества каждого образца, что позволяет существенно сократить вычислительные затраты и временной интервал между получением биоматериала и его готовностью для обучения модели.
Ключевым активом компании является исследовательская сеть, объединяющая ведущие академические биобанки США, включая Mass General Brigham, Университет Пенсильвании и Медицинский кампус Университета Колорадо. Благодаря единым стандартам отбора образцов и гармонизации данных Network Bio формирует уникальные наборы для обучения ИИ, комбинирующие биоматериалы пациентов и продольные клинические исходы. Такой подход позволяет преодолеть ограничения отдельных институциональных биобанков и охватывает широкий спектр заболеваний с высокой неудовлетворенной медицинской потребностью, включая иммунологические, метаболические, сердечно-сосудистые и аутоиммунные патологии.
Ранее NVIDIA объявила о публичном доступе к исходному коду Medical Physics Simulation – нового модуля в составе платформы Isaac for Healthcare. Фреймворк предназначен для ускоренной разработки автономных медицинских систем и решает одну из главных проблем отрасли – дефицит репрезентативных данных для обучения роботов. Анатомическая вариативность, нелинейное взаимодействие инструментов с тканями, шумы в изображениях и редко встречающиеся, но критически важные сценарии делают сбор реальных данных дорогим и медленным процессом. Предложенное решение использует параллельные GPU-вычисления на базе CUDA, что позволяет одновременно запускать до 8 192 симуляционных сред.
Подписывайтесь на наши каналы: в MAX – Vademecum и Vademecum Live, в Telegram – Vademecum и Vademecum Live.
