QUELO-G ve CUDA Grafiklerini Kullanarak Kuantum Mekaniğiyle Geliştirilmiş İlaç Keşfi
İlaç keşfinde, klasik kuvvet alanı olarak adlandırılan yaklaşımlara dayalı yaklaşımlar rutin olarak kullanılmış ve yararlı olduğu düşünülmektedir. Bununla birlikte, kuvvet alanı modellerinde bazı önemli fiziğin eksik olduğu ve bunun sınırlı uygulanabilirliğe yol açtığı da yaygın olarak kabul edilmektedir.
Örneğin, kuvvet alanı modelleri, farklı formal yüklere sahip iki molekülü karşılaştırırken doğru tahminler sağlamaz çünkü modelde protein polarizasyonu dikkate alınmaz. Ayrıca bu modeller, kimyasal bağ oluşturma ve kırma yeteneğinin olmaması nedeniyle kovalent ilaç molekülleri için geçerli değildir.
Pek çok kişi, mikroskobik dünyayı yöneten temel fizik olan kuantum mekaniğine dayalı simülasyonun bu sorunların çözümü olduğu konusunda hemfikirdi; ancak kuantum mekaniği simülasyonlarının pratik olamayacak kadar maliyetli ve zaman alıcı olduğu düşünülüyordu.
QSimülasyon yakın zamanda lansmanını duyurdu QUELO-Gbenzeri görülmemiş bir verimle kuantum mekaniği tabanlı serbest enerji pertürbasyonu (FEP) simülasyonuna olanak tanır. GPU kartı çıkışı başına günde 100'den fazla nanosaniye ile bu simülasyonlar birkaç saat içinde gerçekleştirilir. Yeni ilaç moleküllerini tanımlamak için kuantum mekaniği tabanlı simülasyonun doğrudan uygulanması, bilgisayar destekli ilaç keşfini dönüştürecektir.
Bu yazı, QSimulate'in yenilikçi algoritmalar geliştirerek ve bunları NVIDIA tarafından sunulan en yeni GPU donanımından yararlanan yazılımlara uygulayarak bu zorluğu nasıl aştığını açıklıyor: NVIDIA A100 Ve NVIDIA H100. Sıkı bir şekilde optimize edilmiş yazılım, CUDA Grafiklerindeki koşullu grafik düğümleri de dahil olmak üzere CUDA Araç Takımında yakın zamanda kullanıma sunulan bazı özellikleri kullanır (şu sürümde tanıtılmıştır). sürüm 12.3 ve geliştirilmiş sürüm 12.4).
Kuantum mekaniği için üretim zorluğu
İlaç keşfi için simülasyonun önemli yönlerinden biri, her enerji ve kuvvet değerlendirmesinin birkaç milisaniye düzeyinde gerçekleştirilmesi gerektiğidir. Bu gereklilik, proteinler esnek olduğundan ve zamanla şekil değiştirdiğinden, özellikleri doğru bir şekilde tahmin etmek için moleküler dinamik (MD) simülasyonu yoluyla bir termodinamik topluluğun numunesinin birden fazla nanosaniye boyunca alınmasının gerekli olmasından kaynaklanmaktadır. Bir örnek, ilaç moleküllerinin bir protein hedefine bağlanma afinitesidir.
Hedef, günde 100 nanosaniyelik bir dinamik çıktı elde etmekse (2 femtosaniyelik standart zaman adımıyla), her zaman adımının 2 milisaniyeden daha kısa bir duvar süresinde tamamlanması gerekir. Bu verimi elde etmek için klasik kuvvet alanı simülasyonları gösterilmiştir. Örneğin GROMACS ve NAMD ile ilgili yayınlara bakın.
Geleneksel olarak, modern NVIDIA GPU donanımıyla bile kuantum mekaniği simülasyonlarını adım başına milisaniye rejimine hızlandırmanın imkansız olmasa da zor olduğuna inanılıyordu. GPU'lar üzerindeki mevcut kuantum mekaniği simülasyonlarının çoğunun büyük hesaplamaların (birleşik küme hesaplamaları ve büyük ölçekli yoğunluk fonksiyonel teorisi hesaplamaları gibi) genellikle saatlerden dakikalara veya günlerden saatlere hızlandırılmasına odaklanmasının nedeni kısmen budur. Daha fazlasını öğrenmek için bkz. GPU ile Hızlandırılmış Kuantum Kimyası ve Moleküler Dinamik.
Yararlı olmasına rağmen bunlar, ilaç keşfi için serbest enerji hesaplamalarına doğrudan uygulanamaz, çünkü verim birkaç kat daha düşüktür. Teknik açıdan konuşursak, kuantum mekaniğinin üretim sorunu, kuantum mekaniğinin özünde yinelemeli olarak çözülmesi gereken çok sayıda parametre içeren bir optimizasyon problemi olmasından kaynaklanmaktadır.
Bu kaçınılmaz olarak karmaşık kontrol mantığını ortaya çıkarır ve eşzamanlılık derecesini sınırlar. Saf bir şekilde uygulandığında, kuantum mekaniğinin karmaşık mantığı, aygıtlar arası iletişimin sıklaşmasına neden olur ve bu da GPU kullanımını azaltır.
QUELO-G, sıkı bağlayıcı bir kuantum mekaniği yaklaşımıyla birlikte CUDA Grafiklerini kullanarak bu zorluğun üstesinden gelmiştir (GFN-xTB) ve hibrit kuantum mekaniği/moleküler mekanik (QM/MM) şeması.
CUDA Grafiklerini ve koşullu düğümleri kullanan teknik çözümler
Dikkate almak Krylov alt uzay algoritması yinelemeli kuantum mekaniği algoritmalarının bir örneği olarak. Bu yaklaşım, önceki yinelemedeki en iyi çözümden yeni bir deneme vektörünün üretildiği deneme vektörlerinden oluşan bir alt uzay oluşturur. Yakınsama kriterleri sağlanana kadar süreç yinelenir. Şekil 1 algoritmanın şematik gösterimini göstermektedir.
Bu algoritmayı uygulamanın standart yolu, diğer tüm parçaları cihaza aktarırken ana bilgisayarı döngü ve koşul dalından sorumlu kılmaktır. Deneme vektörleri (ve dolayısıyla alt uzay) cihazın hafızasında tutulabilir. Ancak ana bilgisayarda gerçekleştirilen kontrol mantığı için, skaler bir değer olan artık hatanın her yinelemede cihazdan ana bilgisayara iletilmesi gerekir.
Cihazdan ana bilgisayara iletişimin gecikmesi, skaler bir değişken için bile göz ardı edilemez. Bu, temeldeki algoritmanın yapısı nedeniyle tekrar tekrar gerçekleştiğinden, zaman adımı başına milisaniyelik bir çıktı elde etmek için ileriye doğru ilerlerken, kuantum mekaniği tabanlı dinamik simülasyonun genel performansı için önemli hale gelir.
QUELO-G'deki yazılım uygulaması, yakın zamanda CUDA Graphs'ta (CUDA 12.3'ten beri) tanıtılan koşullu grafik düğümlerini kullanır. Bu özelliği kullanarak, kuantum mekaniği algoritmalarındaki yinelemeli prosedürün tamamı, döngü ve koşullu dallanmanın cihazda gerçekleştirildiği CUDA Grafiklerine eşlenebilir (Şekil 2). Bu, her yinelemede cihazdan ana bilgisayara bir skaler iletişim kurma ihtiyacını ortadan kaldırır. Bu yaklaşım yalnızca önemli performans artışları sağlamakla kalmaz, aynı zamanda daha iyi soyutlama sayesinde kod yapısını da basitleştirir.
Ek olarak, CUDA Graphs kullanarak kodu soyutlayan yazılım, mevcut NVIDIA A100 ve NVIDIA H100 GPU'lar ve gelecekteki NVIDIA GPU'lar için CUDA Graphs çalışma zamanının daha fazla geliştirilmesinden ve optimizasyonundan otomatik olarak yararlanacaktır.
Kuantum mekaniği tabanlı serbest enerji tedirginliği simülasyon performansı
Yukarıdaki uygulama stratejisini kullanarak günde 100 nanosaniyeden fazla QM/MM dinamik verimi elde edilir. QSimulate'in üretim platformu ticari nedenlerden dolayı simülasyon başına maliyeti en aza indirmeyi amaçladığından, Çoklu Örnek GPU (MIG) Tipik olarak bir GPU'da yedi eşzamanlı dinamik simülasyonunun gerçekleştirildiği kullanılır. Şekil 3, bir birim hücrede yaklaşık 25 K klasik atomdan oluşan bir protein-ligand sistemi için A100 ve H100 GPU'larda ölçülen verimi derlemektedir.
Zaten A100 ile, küçük moleküllü ilaçların tipik boyutu olan 74 atomdan oluşan kuantum mekaniği bölgesine sahip simülasyonlar için QM/MM MD verimi günde 100 nanosaniyeyi aştı. Bir H100 ile QM/MM MD ve FEP çıktıları sırasıyla 120 ve 90 nanosaniye olarak ölçüldü. 200 atomdan oluşan daha büyük kuantum mekaniği bölgesi ile A100 ile H100 arasında %50'nin üzerinde bir hızlanma gözlemlendi. Bu zamanlamaların gelecekteki yenilikler ve yazılım optimizasyonu ile daha da iyileştirilebileceğini unutmayın.
Bu sonuçlar, QSimulate ekibi tarafından daha önce işbirliği içinde geliştirilen optimize edilmiş bir CPU uygulamasıyla karşılaştırılır. RIKEN'deki Sugita grubu. Şekil 4 sonuçları göstermektedir. Şekil 4'teki dört sütun, Şekil 3'teki dört kuantum mekaniği bölgesine karşılık gelir. CPU ve GPU uygulamalarında temel algoritmalar, kesme, eşikler ve parametreler de dahil olmak üzere aynıdır. CPU kodu, GPU uygulaması kadar sıkı bir şekilde optimize edildiğinden, Şekil 4, farklı donanım mimarileri arasında adil bir karşılaştırmayı temsil etmektedir.
CPU zamanlama kıyaslamaları Intel Xeon 8375C'nin (Ice Lake) dört CPU çekirdeği ile ölçüldü ve sonuçlar basitlik açısından bir CPU çekirdeğine dönüştürüldü. QSimulate'in CPU donanımını hedefleyen üretim platformunun, bu zamanlama kıyaslamasında olduğu gibi dört CPU çekirdeği kullandığını unutmayın; bunun temel nedeni, CPU simülasyonunu daha fazla sayıda iş parçacığına ve CPU çekirdeğine ölçeklendirmenin zor olmasıdır.
74 kuantum mekaniği atomundan oluşan en küçük kuantum mekaniği bölgesinde bile, GPU kartındakiler ile CPU çekirdeğindekiler arasındaki verim oranının A100 ve H100 kartları için sırasıyla 140 ve 170 civarında olduğu gözlemlendi. Kuantum mekaniği bölgesi büyüdükçe oran daha önemli hale gelir. 200 kuantum mekaniği atomu ile H100 kartının verimi 265 CPU çekirdeğininkine eşittir.
Yapay zeka çağında simülasyon
Yapay zeka toplumu dönüştürürken fizik tabanlı simülasyon da her zamankinden daha önemli. İlaç keşfinde olduğu gibi karmaşık iş akışlarının dijital dönüşümü, yapay zeka tahminlerinin doğru simülasyon yaklaşımlarıyla hızlı ve güvenilir bir şekilde değerlendirilmesini ve daha sonra yapay zeka modellerine daha fazla veri beslemesini gerektirir. Bu yazıda özetlenen ilerleme (zaman adımı başına milisaniye rejimindeki ilk kuantum mekaniği tabanlı simülasyon), QSimulate'in alan bilgisi ve yazılım mühendisliğinin, en son CUDA Araç Takımı ve yazılım yığını da dahil olmak üzere NVIDIA donanım ve yazılımıyla birlikte nasıl çalıştığını gösteriyor. , bir sonraki dijital keşif paradigmasına doğru bir sıçrama yapılmasına yardımcı oldu.
Daha fazla bilgi edinmek ve ilaç keşfine yönelik GPU ile hızlandırılmış kuantum mekaniği simülasyonunu kullanmaya başlamak için şu adresi ziyaret edin: QUELO-G ürün sayfası.
