這一戈登貝爾特別獎旨在表彰基于高性能計算的COVID-19研究。一位決賽入圍選手教會了大型語言模型（LLMs）一種新的語言——基因序列，使這些模型能夠提供基因組學、流行病學和蛋白質工程方面的洞察。

這項開創性的成果發表于10月，是由來自美國阿貢國家實驗室、NVIDIA、芝加哥大學等組織機構的二十多名學術和商業研究員合作完成。

研究員的LLM所測序的新冠病毒株。每個點都按新冠病毒變異株進行了顏色編碼。該圖由美國阿貢國家實驗室的Bharat Kale、Max Zvyagin和Michael E. Papka提供

【資料圖】

該研究團隊訓練了一個LLM來追蹤基因突變，并預測需要關注的SARS-CoV-2（導致COVID-19的病毒）變異株。雖然迄今為止大多數應用于生物學的LLM都是在小分子或蛋白質的數據集上訓練的，但這一項目是在原始核苷酸序列（DNA和RNA的最小單位）上訓練的首批模型之一。

負責帶領該項目的阿貢國家實驗室計算生物學家Arvind Ramanathan表示：“我們假設從蛋白質水平到基因水平的數據有助于我們構建出更易于理解新冠病毒變異株的模型。通過訓練模型去追蹤整個基因組及其進化過程中的所有變化，我們不僅能夠更好地預測COVID，還能預測已掌握足夠基因組數據的任何疾病。”

戈登貝爾獎被譽為HPC領域的諾貝爾獎。今年的戈登貝爾獎將在本周的SC22上由美國計算機協會頒發。該協會代表著全球約10萬名計算領域的專家，自2020年開始向使用HPC推進COVID-19研究的杰出研究員頒發特別獎。

在一種只有四個字母的語言上訓練大型語言模型

長期以來，LLM一直在接受人類語言的訓練，這些語言通常由幾十個字母組成，可以排列組合成數萬個單詞，并連接成長句和段落。而生物學語言只有四個代表核苷酸的字母，即DNA中的A、T、G和C，或RNA中的A、U、G和C。這些字母按不同順序排列成基因。

雖然較少的字母看似會降低AI學習的難度，但實際上生物學語言模型要復雜得多。這是因為人類的基因組由超過30億個核苷酸組成，而冠狀病毒的基因組由大約3萬個核苷酸組成，因此很難將基因組分解成不同、有意義的單位。

Ramanathan表示： “在理解基因組這一 ‘生命代碼’的過程中，我們所面對的一個主要挑戰是基因組中的龐大測序信息。核苷酸序列的意義可能會受另一序列的影響，以人類的文本做類比，這種影響的范圍不僅僅是文本中的下一句話或下一段話，而是相當于一本書中的整個章節。”

參與該項目協作的NVIDIA研究員設計了一種分層擴散方法，使LLM能夠將約1500個核苷酸的長字符串當作句子來處理。

論文共同作者、NVIDIA AI研究高級總監、加州理工學院計算+數學科學系布倫講席教授Anima Anandkumar表示：“標準語言模型難以生成連貫的長序列，也難以學習不同變異株的基本分布。我們開發了一個在更高細節水平上運作的擴散模型，該模型使我們能夠生成現實中的變異株，并采集到更完善的統計數據。”

預測需要關注的新冠病毒變異株

該團隊首先使用細菌和病毒生物信息學資源中心的開源數據，對來自原核生物（像細菌一樣的單細胞生物）超過1.1億個基因序列進行了LLM預訓練，然后使用150萬個高質量的新冠病毒基因組序列，對該模型進行微調。

研究員還通過在更廣泛的數據集上進行預訓練，確保其模型能夠在未來的項目中推廣到其他預測任務，使其成為首批具備此能力的全基因組規模的模型之一。

在對COVID數據進行了微調后，LLM就能夠區分病毒變異株的基因組序列。它還能夠生成自己的核苷酸序列，預測COVID基因組的潛在突變，這可以幫助科學家預測未來需要關注的變異株。

在長達一年時間內積累的SARS-CoV-2基因組數據的訓練下，該模型可以推斷出各種病毒株之間的區別。左邊的每個點對應一個已測序的SARS-CoV-2病毒株，并按變異株顏色編碼。右圖放大了該病毒的一個特定毒株，它捕捉到了該毒株特有的病毒蛋白進化耦合關系。圖片由美國阿貢國家實驗室的Bharat Kale、Max Zvyagin和Michael E. Papka提供

Ramanathan表示： “大多數研究員一直在追蹤新冠病毒突刺蛋白的突變，尤其是與人類細胞結合的域。但病毒基因組中還有其他蛋白質也會經歷頻繁的突變，所以了解這些蛋白質十分重要。”

論文中提到，該模型還可以與AlphaFold、OpenFold等常見的蛋白質結構預測模型整合，幫助研究員模擬病毒結構，研究基因突變如何影響病毒感染其宿主的能力。OpenFold是NVIDIA BioNeMo LLM服務中包含的預訓練語言模型之一。NVIDIA BioNeMo LLM服務面向的是致力于將LLM應用于數字生物學和化學應用的開發者。

利用GPU加速超級計算機大幅加快AI訓練速度

該團隊在由NVIDIA A100 Tensor Core GPU驅動的超級計算機上開發AI模型，包括阿貢國家實驗室的Polaris、美國能源部的Perlmutter以及NVIDIA的Selene系統。通過擴展到這些強大的系統，他們在訓練中實現了超過1500 exaflops的性能，創建了迄今為止最大的生物語言模型。

Ramanathan表示： “我們如今處理的模型有多達250億個參數，預計這一數量未來還會大幅增加。模型的尺寸、基因序列的長度、以及所需的訓練數據量，都意味著我們的確需要搭載數千顆GPU的超級計算機來完成復雜的計算。”

研究員估計，訓練一個具有25億參數的模型版本，需要約4000個GPU耗時一個多月。該團隊已經在研究用于生物學的LLM，在公布論文和代碼之前，他們在這個項目上已耗時約四個月。GitHub頁面上有供其他研究員在Polaris和Perlmutter上運行該模型的說明。

NVIDIA BioNeMo框架可在NVIDIA NGC中心上的GPU優化軟件中搶先體驗。該框架將幫助研究員在多個GPU上擴展大型生物分子語言模型。作為NVIDIA Clara Discovery藥物研發工具集的一部分，該框架將支持化學、蛋白質、DNA和RNA數據格式。

英偉達（NVIDIA） RTX3090\/3090Ti 24G公版單渦輪雙寬深度學習訓練顯卡GPU NVIDIA RTX3090 公版盒裝

[經銷商]京東商城

[產品售價]￥14999元

進入購買

關鍵詞：