Komputasi Biomedis

Read Also

Penerapan alat dan metodologi berbasis komputer untuk mensimulasikan dan memodelkan tubuh manusia dalam kesehatan dan penyakit dikenal sebagai computational biomedicine. Ini adalah bidang baru yang berkembang pesat yang terdiri dari seluruh spektrum biologi, fisiologi, dan penyakit manusia, yang secara kolektif dikenal sebagai kedokteran. Ini mencakup semuanya, mulai dari genomik hingga seluruh tubuh manusia, epidemiologi, dan kesehatan populasi. Biomedis komputasional melibatkan kedokteran molekuler, simulasi, metode pemodelan, teknik pencitraan, dan teknologi informasi.

Mengapa kita membutuhkan biomedis komputasi?

Dari sel biologis yang terdiri dari ratusan bahan kimia berbeda yang bekerja bersama, hingga miliaran sel yang membentuk jaringan, organ, dan sistem organ kita, hingga masyarakat kita, yang terdiri dari 6 miliar individu unik yang saling berinteraksi, manusia itu unik, sistem yang kompleks dengan sejumlah besar informasi untuk dieksplorasi. Sistem rumit seperti itu tidak terdiri dari komponen yang identik dan dapat dipertukarkan. Individu memiliki kepribadian yang berbeda dan membawa nilai dan kontribusi yang berbeda ke sistem di mana mereka berpartisipasi. Oleh karena itu, penting untuk menyimpan, mengidentifikasi, dan menerapkan informasi ini secara akurat baik untuk tujuan klinis maupun penelitian.

Sistem biologis menjangkau banyak urutan besarnya di seluruh skala, dari ukuran mikroskopis terkecil hingga skala makroskopik terbesar. Sistem multi-skala, multi-sains menghubungkan genom, proteome, metabolome, dan fisiome dengan kesehatan. Biomedis komputasional telah mengembangkan alat yang sangat canggih untuk memodelkan dan mensimulasikan proses fundamental dalam sistem alami pada berbagai skala dalam beberapa tahun terakhir.

Bagaimana metode komputasi meningkatkan biologi dan kedokteran?

Seiring dengan warisan empirisnya, meningkatnya informasi elektronik di mana-mana secara signifikan mendukung kemajuan lebih lanjut kedokteran sebagai sains berbasis bukti yang digerakkan oleh data. Medical imaging, electronic/computerized patient records, dan otomatisasi studi klinis telah meningkatkan penyimpanan data pasien. Akibatnya, kedokteran membentuk ikatan yang semakin erat dengan teknik, ilmu komputer, dan statistik.

Dalam biologi, para peneliti memiliki kebutuhan mendesak akan dukungan, arahan, dan kolaborasi untuk menafsirkan data yang dihasilkan oleh genomik throughput tinggi, termasuk Human Genome Project, Single Nucleotide Polymorphism Initiative, dan Arabidopsis Genome Initiative. Tidaklah mungkin untuk meremehkan relevansi pengelolaan data dan alat analisis data yang sistematis dan terintegrasi dalam biologi dan kedokteran.

Baik untuk praktik maupun penelitian, teknologi informasi menyediakan platform yang realistis untuk meningkatkan integrasi berbagai bidang biologi dan medis. Akibatnya, kita melihat konvergensi banyak bidang yang terkait dengan penggunaan komputasi dan teknologi informasi dalam biologi dan kedokteran. Salah satu aplikasi simulasi molekuler yang paling menarik dalam kedokteran klinis adalah menentukan obat mana yang paling berhasil direspon oleh genotipe atau varian genetik tertentu.

Sistem neuromuskuloskeletal dipengaruhi oleh berbagai penyakit, termasuk yang memiliki beban penyakit tinggi, seperti penyakit Parkinson, radang sendi, dan osteoporosis. Untuk menyebutkan beberapa aplikasi, biomedis komputasi telah digunakan untuk meramalkan kekuatan yang dibutuhkan untuk mematahkan tulang, mensimulasikan proses pembangkitan kekuatan seluruh otot, dan memeriksa kontrol neuromuskular yang sakit.

Kesulitan dalam biomedis komputasi

Berbeda dengan kedokteran molekuler, metode pemodelan biasanya lebih bersifat kontinum, yang melibatkan penyelesaian persamaan diferensial parsial dalam ruang dan waktu tiga dimensi. Memecahkan persamaan seperti itu dengan kondisi batas yang tepat adalah sulit; melakukannya dengan cepat dan benar bahkan lebih sulit. Ini merekomendasikan penggunaan superkomputer yang kuat dan kode yang dapat diskalakan yang dapat memanfaatkan sepenuhnya peralatan komputasi modern. Sebagian besar algoritma dan implementasi perangkat lunak saat ini menganggap ini sebagai tugas yang sulit karena meningkatnya kompleksitas dan berbagai infrastruktur exascale yang muncul.

Kemampuan komputasi yang relatif terbatas yang tersedia di rumah sakit adalah penghalang utama yang membatasi potensi penuh simulasi untuk membantu dalam mendiagnosis dan mengobati penyakit dalam pengaturan klinis. Karena data pasien harus dilindungi oleh undang-undang dan tidak dapat diekspor ke mesin yang lebih kuat, salah satu solusinya adalah membuat model pesanan yang dikurangi berdasarkan data pra-simulasi yang dapat dilakukan oleh dokter dengan murah.

Untuk mencapai tingkat throughput tertinggi, perlu untuk memiliki akses ke superkomputer terbaru, yang didasarkan pada proliferasi besar node, yang masing-masing berisi sejumlah besar inti dan akselerator (kebanyakan unit pemrosesan grafis tujuan umum), memungkinkan simulasi berbasis ensemble dari sejumlah besar simulasi ligan-protein. Namun, bahkan superkomputer paling kuat di dunia tidak dapat memenuhi tuntutan untuk memecahkan masalah medis yang paling sulit.

Tantangannya adalah, sementara teknologi komputasi telah melampaui hampir setiap bidang lain dengan urutan besarnya, itu masih terlalu lamban untuk diterapkan pada banyak sistem kompleks berskala besar. Lebih buruk lagi, kecepatan intrinsik chip pemrosesan telah melambat karena mendekati batas fisik dan kebutuhan untuk menurunkan konsumsi daya dan disipasi energi raksasa yang kami gunakan untuk penelitian ini. Akibatnya, perlu untuk terus mencari jenis komputasi baru dan inovatif.

Kurangnya kumpulan data yang dapat diakses publik adalah masalah lain dalam biomedis. Masalahnya bukan karena para peneliti tidak mau mengomunikasikan temuan mereka. Sebaliknya, mereka siap untuk membubarkan mereka. Masalahnya adalah bahwa kumpulan data seperti itu mahal untuk diperoleh, disimpan, dan dipelihara dalam banyak keadaan. Masalah hukum dan privasi memperumit masalah.

Looking forward

High-performance computing menjadi bagian integral dari banyak aspek biomedis komputasi, dan ini merupakan kekuatan pendorong di balik pengembangan masalah tematik ini. Karena sumber daya ini menjadi lebih banyak tersedia dan kemampuan kinerjanya meningkat, kode simulasi harus dimodifikasi untuk memanfaatkannya.

Pemodelan pembuluh darah (jaringan arteri dan vena yang mengangkut darah) juga merupakan fokus yang signifikan dari biomedis komputasi. Pembelajaran mesin memiliki potensi sebagai pengganti yang kurang menuntut komputasi untuk dimasukkan dalam sistem pendukung keputusan berbasis klinis untuk mengidentifikasi kategori perilaku yang diamati. Kecerdasan manusia terdistribusi, yang mempercayakan tugas mengklasifikasikan citra medis yang membutuhkan pemahaman mendalam tentang bidang tersebut kepada orang-orang yang tidak terlatih, adalah strategi potensial untuk memecahkan ketersediaan data biomedis yang tidak memadai. Anehnya, temuan menunjukkan bahwa tingkat akurasi yang sama dapat dicapai, mengurangi biaya dan waktu yang dibutuhkan oleh para ahli yang berkualifikasi.

Akhirnya, penting untuk dipahami bahwa biomedis komputasional tidak terbatas pada simulasi kejadian tertentu yang terjadi di dalam tubuh manusia; ini juga dapat menjadi alat yang berguna dalam mendukung dokter dalam membuat penilaian diagnostik dalam menghadapi jumlah data yang terus meningkat.

References

Coveney Peter V., Hoekstra Alfons, Rodriguez Blanca and Viceconti Marco 2021Computational biomedicine. Part II: organs and systems Interface Focus.112020008220200082. https://doi.org/10.1098/rsfs.2020.0082

Coveney Peter V. 2020Computational biomedicine. Part 1: molecular medicineInterface Focus.102020004720200047. https://doi.org/10.1098/rsfs.2020.0047

Kocheturov, A., Pardalos, P.M. & Karakitsiou, A. Massive datasets and machine learning for computational biomedicine: trends and challenges. Ann Oper Res 276, 5–34 (2019). https://doi.org/10.1007/s10479-018-2891-2

Sloot, P. M., & Hoekstra, A. G. (2010). Multi-scale modelling in computational biomedicine. Briefings in bioinformatics, 11(1), 142–152. https://doi.org/10.1093/bib/bbp038

Moreau, Y., Antal, P., Fannes, G., & De Moor, B. (2003). Probabilistic graphical models for computational biomedicine. Methods of information in medicine, 42(2), 161–168. 10.1055/s-0038-1634328