Onderzoekers van het Argonne National Laboratory, verbonden aan het Amerikaanse ministerie van Energie (DOE), hebben een deel van de code van een genetische analyse herschreven om deze op grafische processors (GPU’s) te laten draaien. In zijn oorspronkelijke vorm zou deze berekening ongeveer 481.000 CPU-uren hebben gekost, maar werd hij haalbaar na deze aanpassing. Het werk betreft genetische gegevens verzameld van Amerikaanse veteranen.
Meer dan een miljoen veteranen hebben hun DNA afgestaan voor het ‘Million Veteran Program’, opgezet door het ministerie van Veteranenzaken. Ravi Madduri, senior wetenschapper bij de afdeling Data Science and Learning van het Argonne-laboratorium, die ook een gezamenlijke aanstelling heeft bij de afdeling Menselijke Genetica van de Universiteit van Chicago, beschrijft deze inzet met ernst: ‘Zelfs nadat ze alles voor hun land hadden gegeven, vonden ze het in hun hart om nog meer te geven, zonder iets terug te verwachten.’ Voor hem schept deze vrijgevigheid een verplichting: ‘Als ik naar deze gegevens kijk, heb ik de plicht om de belofte aan de veteranen na te komen.’
Eerst een code-probleem, dan een machine-probleem
Een genome-wide association study (GWAS) probeert te achterhalen of een genetische variant samengaat met een bepaalde ziekte. De vraag is eenvoudig, maar vermenigvuldigt zich met elke geteste variant en elke geregistreerde pathologie in de dossiers van patiënten, wat er een enorm wiskundig probleem van maakt. Het team van Madduri startte deze berekening eerst op het Summit-systeem van het Oak Ridge Leadership Computing Facility en vervolgens op het Aurora-systeem van het Argonne Leadership Computing Facility. Op Summit kon de taak niet worden voltooid op de CPU’s: naarmate de cohort groeide, paste de benodigde matrix voor elke groep niet meer in het geheugen en blokkeerde de berekening.
‘We besloten de doos te openen en naar de code te kijken’, legt Madduri uit. Het probleem bleek een programmeerfout te zijn in plaats van slechts een snelheidskwestie. De code, geschreven voor klassieke CPU’s zoals die door de genetica-gemeenschap werden gebruikt, besteedde bijna al zijn tijd aan het vermenigvuldigen van zeer grote getallenroosters, een operatie waarvoor GPU’s zijn ontworpen. Onder leiding van Alex Rodriguez van Argonne heeft het team dit deel herschreven voor GPU’s. Het originele instrument, SAIGE, gaf zo aanleiding tot een versie genaamd SAIGE-GPU, beschreven in een apart artikel gepubliceerd in het tijdschrift Bioinformatics.
Gegevens die niet kunnen reizen
De resultaten zijn gepubliceerd in het tijdschrift Science door het consortium van het Million Veteran Program, waarvan de groep van Madduri een van de auteurs is. De studie onderzocht 2.068 kenmerken bij 635.969 veteranen en identificeerde 13.672 regio’s in het genoom die verband houden met een of meer aandoeningen. Ongeveer 1.600 van deze regio’s komen alleen aan het licht omdat bijna een derde van de deelnemers geen Europese afkomst heeft, terwijl volgens het Science-artikel de meeste genetische studies tot nu toe voornamelijk op mensen van Europese afkomst waren gebaseerd.
Madduri benadrukt de beperkingen van deze resultaten: ‘Dit alles is preklinisch. We zitten in de ontdekkingsfase.’ De analyse produceert een statistische kaart die aangeeft waar te zoeken, maar het omzetten van een van deze regio’s in een behandeling vergt jaren aanvullend werk. Hij wijst ook op de tijdwinst: operaties die ten tijde van het Science-artikel 14 dagen kostten, nemen nu ‘minder dan een of twee uur’ in beslag.
Voor medische gegevens blijft delen een obstakel. Madduri merkt op dat genetische gegevens niet zo vrij kunnen worden gedeeld als bijvoorbeeld kosmologische gegevens. Federated learning stelt voor het model te verplaatsen in plaats van de gegevens: elke instelling traint het model op haar eigen gegevens en stuurt alleen de geleerde aanpassingen terug, die worden gecombineerd tot een gemeenschappelijk model. Madduri is een van de ontwikkelaars van APPFL, een softwareframework voor Argonne Privacy-Preserving Federated Learning. Hij voegt er echter aan toe dat de grootste moeilijkheid de autorisatie blijft: elke samenwerkingspartner moet werken met zijn eigen institutionele inloggegevens, op een machine waar hij recht op heeft. Volgens hem ‘maakt een site die unieke gegevens bezit het gedeelde model robuuster voor iedereen’.
