手掌的精密健康

精度健康是一种健康方法，考虑到每个人的基因，环境和生活方式的变异性。多亏了技术的进步，今天就在这里。正在收集和分析大量数据，以管理我们的护理，包括实验室测试，生物识别传感器，患者记录，医院数据等。但是结果可能会很慢，并且在测试和测试之间的等待诊断可以是几天或几周。

但是，实时技术的最新突破性发展基因组测序，分析和诊断有望提供新的个性化护理标准。

想象一下，患者进入诊所并进行简单的血液或唾液测试的情况。在访问结束之前，完整的诊断和个性化治疗计划可用。在另一种情况下，试图去除对健康组织影响最小的肿瘤的外科医生可以通过实时组织样品分析来确认决策。最后，想象一种便携式病原体检测器，该检测器可能会在大流行或疾病爆发期间提醒用户危险暴露。

使这些和其他视觉实现的关键是一种手持设备，可提供实时基因组测序以及对患者DNA或病原体DNA或RNA的分析。

遗传测序的进步

对2001年的第一个人类基因组进行序列序列成本近30亿美元。如今，对整个人类基因组的序列成本低于1000美元，预计很快将达到100美元。此外，第一代和第二代测序系统是大型，昂贵的，并且设计用于批处理操作。采集样品后，结果将变为几天或更多。但是现在存在新的，低成本的第三代测序系统，例如牛津纳米孔小兵，它们可以快速对单个样品进行序列并适合您的手掌。

人类基因组由超过30亿个碱基对DNA组成。为了对基因组进行序列，小兵采用小纳米孔将收集的样品分为数十亿股，称为“读取”。

CSE的副教授Reetuparna Das说：“奴才是一种出色的手持测序工具，能够快速测序生物学数据。”“It takes the chemical sample, divides the DNA or RNA into strands, and sequences those strands into electrical signals, known as ‘squiggles.’ However, it does not have the compute capability to analyze raw data in the field and quickly produce actionable results.”

我们与实时诊断之间的所有立场都是一个计算系统，可以分析测序数据，并在患者甚至离开办公室之前提供治疗和治疗建议。

计算挑战

在所谓的辅助分析中，是计算系统的工作，将弯曲为DNA的基本对，这是一种被称为基本的过程。基本对在DNA或RNA结构的梯子上本质上是一个梯级。之后，系统必须将读取数据与基因组参考数据对齐，然后确定样本和参考之间的变体。人类基因组的变异数据用于鉴定遗传疾病标记。测序还用于通过将DNA或RNA链对准引用病原体数据库并使用元基因组分类工具来识别病原体。

尽管这听起来很简单，但测序对数据的TB产生了大约GB，并且由于任务的精确性，复杂性和规模，处理挑战却很陡峭。U-M的两个研究人员的多学科团队正在努力克服这一障碍。

副教授Reetuparna Das和Satish Narayanasamy教授以及电气和计算机工程的David Blaauw教授领导着由国家科学基金会资助的团队和Kahn Foundation资助的团队，Kahn基金会正在开发一个硬件/软件平台，以加速下一代基因组测序。重点是病原体检测和早期癌症检测。在这项工作中，他们正在与内科学副教授，微生物学和免疫学教授罗伯特·迪克森（Robert Dickson）以及儿科的助理教授卡尔·科什曼（Carl Koschmann）以及副教授珍娜·维恩斯（Jenna Wiens）合作，后者也是第二研究团队的一部分。

由卡恩基金会（Kahn Foundation）资助的第二支团队正在开发数据获取和机器学习技术，以极大地改善衰老人群中疾病的预测，治疗和管理。这项工作的关键组成部分是使用机器学习来加快宏基因组分析。

这项大规模的跨学科工作是技术研究人员 - 以色列理工学院，魏兹曼研究所和U-M之间的合作。U-M研究人员由公共卫生学院流行病学教授Betsy Foxman领导。Wiens也是U-M Precision Health的联合导演，是U-M研究小组的COPI。
用于基因组测序的加速计算平台

Blaauw，DAS和Narayanasamy致力于显着加速和优化管道以处理奴才的数据。研究人员说，目标是将分析测序基因组分析的时间从数百个小时小时减少到几分钟。达斯说：“要实现基因组测序的全部潜力，计算能力需要通过数量级来增加。”

问题是，在传统的处理器路线图下，这是不可能的，在传统的处理器路线图中，其他晶体管和核心越来越紧密地包装到处理器中以进行增长。添加的其他编程核心也无法解决问题。DAS说：“只有在包括硬件，软件和算法在内的自定义层，处理器性能的可持续增长才有可能。”

团队正在解决二次分析期间发生许多效率低下的领域。

DAS说，首先是读取过程，在此过程中，读取数据与基因组参考数据一致。读取对齐方式由两个步骤组成：播种和种子延伸。

播种在参考基因组中找到一组候选位置，其中读取可以对齐。可能的匹配称为参考中的命中。在读取中，在读取中，读取时匹配命中位置的参考字符串。有了当前的技术，整个基因组需要数百个CPU小时。

为了种子，研究人员发现了巨大的记忆带宽瓶颈。他们进行了硬件/软件代码，并开发了一种新的算法，数据结构和索引，以使内存能力的存储器带宽交易。然后，他们构建了一个自定义加速器，该加速器可以有效地遍历新的索引以查找命中和种子。播种算法已作为开源软件发布，并计划与Broad Institute和Intel的艺术状态一致性软件集成。

对于种子扩展，他们构建了一个收缩阵列，该阵列将在几百个周期中使用近似的字符串匹配来匹配读取和参考数据。

研究人员已经开发了一种定制的ASIC，可以通过修剪来消除吞吐量的瓶颈算法为了优化DNA读取和候选突变的对齐，并通过对实际人类数据进行测试时将浮点计算减少43倍。

这些增强功能和其他增强功能已映射到自定义硬件。这包括一个用于种子扩展的加速器，与Xeon E5420处理器相比，可实现246万读/第二次读取，〜1800倍的性能和27倍的硅足迹。

根据研究人员的说法，当在亚马逊云中的高端56核服务器上运行时，其二级分析工具将花费大约六个小时的整个基因组测序。在Amazon FPGA服务器上，这将减少到约20分钟。当在研究人员的自定义硬件上运行时，处理时间大约是一分钟。

该团队还开发了技术来优化病原体检测过程。一种是快速分析读取的开始，以确定其是宿主还是病原体材料。如果是宿主，则可以跳过其余的读取，因为只有病原体材料引起了人们的关注。此外，研究人员通常能够使用机器学习关于Squiggle数据，不需要资源密集的基本呼叫。

微生物组分析可提供更快的见解

在处理临床样本时，快速数据处理管道是提供可行见解的关键。“在临床样本中，大部分数据（有时多达90％）可能是宿主DNA，而不是微生物DNA，”与Wiens合作的博士生Meera Krishnamoorthy说。“因此，现有的宏基因组分类工具存储了许多有关主机的信息，这可能会使计算效率低下。”

Wiens and Krishnamoorthy与密歇根医学研究人员和公共卫生学院合作，正在开发silico机器学习方法以托管耗竭或删除主机数据读数，这将成为DAS，Blaauw的一部分, and Narayanasamy’s custom hardware. Their goal is to remove all of that host data before classification allowing downstream microbiome analyses to focus solely on microbial data. Existing host depletion methods are laboratory based and can be resource intensive to perform.

相比之下，奎师（Krishnamoorthy）和威斯（Wiens）的方法是计算的，不依赖大型参考数据库，而是基于卷积神经网络。它采用BaseCaller的输入读取输出，然后在一系列的卷积和汇总步骤之后输出有关读取是否与主机有关的预测。拟议的方法提出了提高下游分析的效率，从而使微生物组研究有可能改变未来的医疗护理。