המסע לענן של קומפיוג'ן שמסייע במלחמה נגד סרטן
קומפיוג'ן נחשבת למובילה עולמית בתחום של גילוי מטרות תרופתיות חדשות לסרטן באמצעים חישוביים. כבר לפני שנים החברה פיתחה יכולות של עיבוד מידע גנטי ברמה שלא הייתה מוכרת באותה התקופה, וגם היום נחשבת לאחת המובילות הטכנולוגיות בתחום. ד"ר רועי גרניט, ראש תחום גילוי ממוחשב ביחד עם אורן גולן, ראש צוות ה-DevOps בקומפיוג'ן ישבו איתנו לשיחה כדי ללמוד עוד על השינוי והיתרונות במעבר לענן בכל הקשור לגילוי תרופות.
מה בעצם קומפיוג'ן עושה?
"אנחנו חברת ביוטכנולוגיה, שעוסקת בגילוי ופיתוח של טיפולים לאימונותרפיה של סרטן. המטרה היא לפתח תרופות המבוססות על נוגדנים שיאפשרו למערכת החיסון לתקוף את התאים הסרטניים ולחסל אותם. אנחנו מנתחים כמויות אדירות של מידע, בשביל להבין איך עובדים המנגנוניים הסרטניים, ואיך אפשר לפעול נגדם בעזרת מערכת החיסון, ואז מנסים תרופות שונות שזוהו בצורה חישובית כדי לבחון האם ניתן לטפל במנגנון הסרטני בצורה יעילה. הלקוחות שלנו הן חברות תרופות שמחפשות טיפולים אימונותרפיים חדשים לסוגי סרטן רבים אשר עמידים לטיפולים הקיימים. על ידי ההבנה של מנגנוני העמידות של התאים הסרטניים בעזרת המחקרים שלנו, חלק מהתרופות הפוטנציאליות עברו לניסויים קליניים בתקווה לשנות את החיים של חולי סרטן".
מה היום האתגרים העיקריים מבחינת הפלטפורמה החישובית לפני המעבר לענן?
"האתגר הראשון הוא לספק יכולות עיבוד ואחסון לכמויות מידע הולכות וגדלות. אנחנו מחזיקים בסטים של נתונים (Datasets), שהם ייחודיים לנו וכוללים מספר שכבות של מידע גנומי. פיתחנו גם מערכת שלמה של ניתוח המידע, שכוללת כלי אנליטיקה המסוגלים להתמודד עם מידע גנומי רב שכבתי, ומסוגלים להציג בצורה ויזואלית ולבצע ניתוח מקיף על מספר מאגרים בו-זמנית. כל המערכת שלנו בנויה על תהליך מעגלי: אנחנו מנתחים את המידע, מעבירים אותו לבדיקת היתכנות ולבסוף לבדיקה קלינית, כאשר בסופו של הדבר המידע הגנומי מהקליניקה חוזר אל המערכת ושוב מתבצע ניתוח. האתגר השני, הוא להתמודד עם הדרישות החישוביות של העובדים, מצד אחד, החוקרים שרוצים גישה לאפשרויות ניתוח מתקדמות לפי הצרכים שלהם, ומצד שני, צוותי התשתית שנמצאים בעומס הולך וגדל".
איך המעבר לענן עזר לכם בהתמודדות עם האתגרים הללו?
"המעבר לענן , אפשר לנו ליצור תהליכים אוטומטיים לגמרי של עיבוד הנתונים. לדוגמא, שימוש בלמידת מכונה כדי לקטלג תאים לפי סוגים בצורה אוטומטית. בעזרת התהליכים האוטומטיים הללו, אנחנו יכולים לעבד יותר מידע בזמן קצר יותר, ולא נזקקים לתהליכים ידניים. זה חוסך לנו זמן יקר של צוותי התשתיות והמחקר. היתרון הנוסף הוא שבזכות המעבר לארכיטקטורה החדשה, אנחנו מסוגלים להגדיל את כוח העיבוד שלנו באופן מיידי ולהאיץ תהליכים במידת הצורך. אנחנו בודקים גם את היכולות של שבבים מבוססי GPU כדי להאיץ את מהירות העיבוד שלנו משמעותית. הגדרנו תהליכים להקצאת משאבים בצורה אוטומטית, וכך החוקרים שלנו יכולים לגשת לכלים מתקדמים ומהירים בעצמם, יכולים לבצע בדיקת התכנות, וכל זאת מבלי להידרש לתהליך הקצאה ממושך וידני של שרתים לביצוע המשימה".
בחרתם לבצע את המהלך על גבי התשתית של AWS, למה בחרתם בה?
"הבחירה ב-AWS הייתה ממגוון סיבות, אבל שתיים עיקריות – קודם כל מגוון השירותים הרחב ללמידת מכונה ובינה מלאכותית, ובנוסף שירותים כמו Amazon Omics לניהול מידע גנטי. הסיבה השנייה היא עמידה במגוון סטנדרטים של אבטחת מידע ותקנים רגולטוריים, כך שאנחנו יכולים להיות שקטים בכל הקשור להגנה על המידע ובעבודה עם שותפים שלנו שדורשים את רמת האבטחה והשמירה על המידע הגבוהות ביותר. כיום אנחנו משתמשים במגוון שירותים כמו Amazon EC2, Amazon S3, Amazon RDS ו-Amazon ECS, ובכלים כמו AWS Step Functions ו-AWS Batch. אנחנו גם בוחנים את שירות הבינה המלאכותית היוצרת (Generative AI), Amazon Bedrock, שמציע מספר מודלים מהגדולים בעולם שניתן להתאים ולהריץ על המידע שלנו. מדובר מבחינתו בכלי עם יכולות מדהימות, שיכול להביא אותנו לגילויים חדשים, וזאת מבלי שאנחנו נדרשים להקים