Помощь ученым в проведении сложного анализа данных без написания кода | Новости Массачусетского технологического института

Поскольку в последние годы затраты на технологии диагностики и секвенирования резко упали, исследователи собрали беспрецедентный объем данных о болезнях и биологии. К сожалению, учёным, надеющимся перейти от данных к новым лекарствам, часто требуется помощь кого-то, имеющего опыт разработки программного обеспечения.

Теперь Watershed Bio помогает ученым и биоинформатикам проводить эксперименты и получать ценную информацию с помощью платформы, которая позволяет пользователям анализировать сложные наборы данных независимо от их вычислительных навыков. Облачная платформа предоставляет шаблоны рабочих процессов и настраиваемый интерфейс, которые помогают пользователям исследовать и обмениваться данными всех типов, включая полногеномное секвенирование, транскриптомику, протеомику, метаболомику, визуализацию с высоким содержанием, сворачивание белков и многое другое.

«Ученые хотят узнать о программном обеспечении и науке о данных в этой области, но они не хотят становиться инженерами-программистами, пишущими код только для того, чтобы понять свои данные», — говорит соучредитель и генеральный директор Джонатан Ван ’13, SM ’15. «С Watershed им это не нужно».

Watershed используется большими и малыми исследовательскими группами в промышленности и научных кругах для стимулирования открытий и принятия решений. Когда новые передовые аналитические методы описываются в научных журналах, их можно сразу же добавить на платформу Watershed в качестве шаблонов, что делает передовые инструменты более доступными и удобными для совместной работы для исследователей любого уровня подготовки.

«Объем данных в биологии растет в геометрической прогрессии, а технологии секвенирования, генерирующие эти данные, становятся только лучше и дешевле», — говорит Ван. “Когда я работал в Массачусетском технологическом институте, эта проблема была прямо в моей рубке: это сложная техническая проблема. Это также значимая проблема, потому что эти люди работают над лечением болезней. Они знают, что все эти данные имеют ценность, но им трудно их использовать. Мы хотим помочь им быстрее получить больше информации”.

Нет обнаружения кода

Ван ожидал, что в Массачусетском технологическом институте он будет специализироваться на биологии, но его быстро воодушевили возможности создания решений, которые будут доступны миллионам людей с помощью компьютерных наук. В итоге он получил степени бакалавра и магистра на факультете электротехники и информатики (EECS). Ван также проходил стажировку в биологической лаборатории Массачусетского технологического института, где был удивлен, насколько медленными и трудоемкими были эксперименты.

«Я увидел разницу между биологией и информатикой, где были эти динамические среды. [in computer science] это позволяет вам немедленно получить обратную связь, — говорит Ван. — Даже если код пишет один человек, у вас под рукой очень много всего, с чем можно поиграть».

Работая над машинным обучением и высокопроизводительными вычислениями в Массачусетском технологическом институте, Ван вместе с однокурсниками стал соучредителем фирмы по высокочастотной торговле. Его команда наняла исследователей с докторской степенью в таких областях, как математика и физика, для разработки новых торговых стратегий, но они быстро увидели узкое место в своем процессе.

«Дело шло медленно, потому что исследователи привыкли создавать прототипы», — говорит Ван. “Это были небольшие аппроксимации моделей, которые они могли запускать локально на своих машинах. Чтобы внедрить эти подходы в производство, им нужны были инженеры, которые заставили бы их работать с высокой пропускной способностью в вычислительном кластере. Но инженеры не понимали характер исследований, поэтому приходилось много ходить туда-сюда. Это означало, что идеи, которые, как вы думали, можно было реализовать за день, занимали недели”.

Чтобы решить эту проблему, команда Вана разработала программный уровень, который сделал создание готовых к производству моделей таким же простым, как создание прототипов на ноутбуке. Затем, через несколько лет после окончания Массачусетского технологического института, Ван заметил, что такие технологии, как секвенирование ДНК, стали дешевыми и повсеместными.

«Узким местом больше не было секвенирование, поэтому люди говорили: «Давайте секвенируем все», — вспоминает Ван. “Ограничивающим фактором стали вычисления. Люди не знали, что делать со всеми генерируемыми данными. Биологи ждали, что специалисты по данным и биоинформатики помогут им, но эти люди не всегда понимали биологию на достаточно глубоком уровне”.

Ситуация показалась Вангу знакомой.

«Это было в точности похоже на то, что мы видели в финансах, когда исследователи пытались работать с инженерами, но инженеры никогда до конца не понимали, и вся эта неэффективность заключалась в том, что люди ждали инженеров», — говорит Ван. «Тем временем я узнал, что биологи жаждут проведения этих экспериментов, но существует такой большой разрыв, что они почувствовали, что им придется стать инженером-программистом или просто сосредоточиться на науке».

Ван официально основал Watershed в 2019 году вместе с врачом Марком Калиничем ’13, бывшим однокурсником по Массачусетскому технологическому институту, который больше не участвует в повседневной деятельности компании.

С тех пор Ван слышал от руководителей биотехнологий и фармацевтических компаний о растущей сложности биологических исследований. Открытие новых идей все чаще включает в себя анализ данных целых геномов, популяционные исследования, секвенирование РНК, масс-спектрометрию и многое другое. Разработка персонализированных методов лечения или отбор групп пациентов для клинического исследования также могут потребовать огромных наборов данных, и существуют новые способы анализа данных, которые постоянно публикуются в научных журналах.

Сегодня компании могут проводить крупномасштабный анализ Watershed без необходимости настраивать собственные серверы или учетные записи облачных вычислений. Исследователи могут использовать готовые шаблоны, работающие со всеми наиболее распространенными типами данных, для ускорения своей работы. Также доступны популярные инструменты на основе искусственного интеллекта, такие как AlphaFold и Geneformer, а платформа Watershed упрощает обмен рабочими процессами и более глубокий анализ результатов.

«Платформа отличается удобством использования и настраиваемостью для людей любого происхождения», — говорит Ван. “Ни одна наука не бывает по-настоящему одинаковой. Я избегаю слова “продукт”, потому что оно подразумевает, что вы что-то развертываете, а затем просто запускаете это в масштабе вечно. Исследования не такие. Исследование заключается в том, чтобы придумать идею, протестировать ее и использовать результаты для создания другой идеи. Чем быстрее вы сможете спроектировать, реализовать и выполнить эксперименты, тем быстрее вы сможете перейти к следующему”.

Ускорение биологии

Ван считает, что Watershed помогает биологам идти в ногу с последними достижениями в области биологии и ускоряет научные открытия.

«Если вы сможете помочь ученым раскрыть идеи не немного быстрее, а в 10 или 20 раз быстрее, это действительно может изменить ситуацию», — говорит Ван.

Watershed используется исследователями в научных кругах и в компаниях любого размера. Руководители биотехнологических и фармацевтических компаний также используют Watershed для принятия решений о новых экспериментах и потенциальных лекарствах.

«Мы добились успеха во всех этих областях, и их объединяет то, что люди разбираются в исследованиях, но не являются экспертами в области компьютерных наук или разработки программного обеспечения», — говорит Ван. “Интересно наблюдать за развитием этой отрасли. Для меня это здорово – быть выпускником Массачусетского технологического института и теперь вернуться на Кендалл-сквер, где базируется Watershed. Именно здесь происходит так много передовых достижений. Мы пытаемся внести свой вклад в обеспечение будущего биологии”.