Articoli

Informatica e IA

(Informatics and AI)

MLC

MLC

Clemens J. - "MLDS: A Dataset for Weight-Space Analysis of Neural Networks". Arxiv 2021. Link

Clemens J. - "MLC@Home: A Distributed Platform for Studying and Understanding Neural Networks". Boinc Workshop 2021. Link

FORUM-INFO : Thread di discussione

il progetto LODA (Lexicographical Order Descent Assembly) si occupa di matematica e di programmazione (program mining, ovvero la ricerca automatica di algoritmi e programmi nuovi)

LODA è un linguaggio assembly, un modello computazionale e uno strumento distribuito per i programmi di mining. Può essere usato per generare e cercare programmi che calcolano sequenze intere dall'On-Line Encyclopedia of Integer Sequences® (OEIS®). L'obiettivo del progetto è il reverse engineering di formule e algoritmi efficienti per un'ampia gamma di sequenze intere non banali. Il linguaggio

LODA significa Lessicographical Order Descent Assembly.

È un linguaggio basato su assembly per risolvere problemi di teoria dei numeri. Ha una sintassi semplice e un ricco insieme di operazioni aritmetiche. Ciò consente una ricerca automatizzata di nuovi programmi e algoritmi utilizzando un processo chiamato program mining. In poche parole,viene utilizzata potenza di calcolo distribuita, algoritmi di ricerca intelligenti e apprendimento automatico per trovare programmi e formule per le sequenze di interi dal database OEIS. Per avere un'idea della lingua, è possibile cercare tra i programmi disponibili o cercare utilizzando parole chiave. Una panoramica completa dei concetti del linguaggio e delle operazioni supportate è disponibile nella specifica del linguaggio.

LODA è un progetto comunitario. Il codice sorgente di LODA è ospitato nell'organizzazione loda-lang su GitHub.

Questo progetto non accetta attualmente nuovi account.

Assegnazione crediti: n/d

Per unirsi al team BOINC.Italy consultare la scheda "Link utili" qui sotto cliccando sull'icona relativa al "JOIN" .

Problemi comuni: nessuno

 

 

 

 

Link utili

Join al Team
Applicazioni
Stato del server
Statistiche interne del progetto
Classifica interna utenti
Pagina dei risultati

Statistiche BOINC.Stats

Statistica del Team sul progetto
Classifica dei team italiani
Statistiche del Team
Classifica Utenti
Classifica mondiale del Team

Posizione del team nelle classifiche mondiali

 

Valutazione attuale: 5 / 5

Da un po' di tempo il progetto Rosetta@Home sembra aver decisamente puntato sull’applicativo VirtualBox (Phyton), lasciando spesso vuote le code per gli applicativi standard. In molti ci hanno chiesto come scaricare ed elaborare queste wus. I passaggi non sono molti, ma devono essere seguiti tutti, pena non avere lavoro per i propri pc.

Nota importante: l’applicativo VirtualBox consuma molta ram e compie molte scritture su disco, quindi necessita di macchine sufficientemente performanti (aiutare la scienza richiede qualche sacrificio :-P ).

• Verificare che il proprio processore supporti la virtualizzazione e, soprattutto, l’abbia abilitata (attraverso il bios). La via più veloce (in Windows 8/10/11) è quella di aprire “Gestione Attività” e controllare, nel pannello CPU, se la virtualizzazione è presente.

In Windows 7 o precedenti consigliamo l’uso di tools gratuiti come, per esempio, SecurAble (https://securable.en.softonic.com/).

In Linux è presente il comodo comando lscpu che indica la presenza o meno di virtualizzazione nella cpu

In ambiente Mac è necessario lanciare, da terminale, il comando sysctl -a | grep machdep.cpu.features e controllare che nella lista sia presente la voce VMX

• Una volta verificato che la cpu supporti la virtualizzazione, installare VirtualBox (se non è stato già installato con Boinc).
• A questo punto è necessario, nel sito di Rosetta, abilitare il proprio pc per l’elaborazione: entrando con il proprio profilo utente, selezionare il pc su cui si interessa far girare le simulazioni e cliccare “Dettagli”.

Qui, in fondo alla pagina, selezionare “Allow” alla voce “Virtual Box VM Jobs”.

Aggiornare il progetto e si riceveranno le nuove wus.

Il progetto distribuito iThena riguarda la mappatura sperimentale delle strutture di rete incluse in Internet. Attualmente, l'applicazione disponibile nel progetto (iThena CNode) esegue una sequenza di procedure traceroute dai computer client. I dati risultanti vengono rinviati al server e inviati al database principale, dove possono essere ulteriormente analizzati.

Valutazione attuale: 5 / 5

Guida a Boinc su WSL

Su stimolo di un nostro volontario abbiamo provato a far funzionare il client boinc in una macchina virtuale linux (ci sono progetti che hanno solo il client linux oppure usano il wrapper per Windows) senza utilizzare il "classico" VirtualBox.
La possibilità offerta da Microsoft è quella di usare WSL (Windows Subsystem for Linux), integrato in Windows 10, con prestazioni decisamente migliori rispetto a VirtualBox.

Questa la guida

Valutazione attuale: 3 / 5

Il teorema dimostrato da Bartel Leendert van der Waerden nel 1927 riguarda la presenza di progressioni aritmetiche contenute in insiemi di interi. Dati due interi r e k, può essere espresso in varie forme equivalenti:

• data una successione infinita e crescente di interi tali che la differenza tra termini successivi sia minore di r, la successione contiene una progressione aritmetica di lunghezza k;
• esiste un intero g(k, r), tale che una successione crescente di g(k, r) interi con differenza tra termini successivi non superiore a r contiene una progressione aritmetica di lunghezza k;
• se l’unione di r insiemi contiene tutti gli interi positivi, almeno uno degli insiemi contiene una progressione aritmetica di lunghezza k (congettura di Baudet);
• esiste un intero W(r, k), tale che se l’unione di r insiemi contiene tutti gli interi da 1 a W(r, k), almeno un insieme contiene una progressione aritmetica di lunghezza k

Nel caso dell’ultima formulazione il teorema dice che se suddividiamo gli interi da 1 a W(r, k) in r insiemi (non necessariamente disgiunti), almeno un insieme contiene una progressione aritmetica di lunghezza k. I numeri W(r, k) sono noti come “numeri di van der Waerden”. Sebbene Saharon Shelah abbia mostrato che sono computabili tramite una funzione primitiva ricorsiva, non si conosce una formula generale per calcolarli e i loro valori sono noti in pochissimi casi.

Valutazione attuale: 5 / 5

< todo >

< todo >

< todo >

Valutazione attuale: 5 / 5

< todo >

Valutazione attuale: 5 / 5

Per ulteriori informazioni visitate il thread ufficiale presente nel nostro forum.

Informazioni generali

Il "COVID.SI" – è un progetto che consente al pubblico di partecipare alla lotta contro il coronavirus condividendo le proprie conoscenze e le risorse del computer. Il progetto mira a studiare librerie di composti molecolari e aiutare a trovare una cura per il coronavirus utilizzando screening virtuali ad alta velocità.

Il protocollo di screening virtuale basato sulla struttura, è come cercare una chiave che sblocca un lucchetto in una piscina olimpionica piena di chiavi di tutte le forme e dimensioni, senza alcuna garanzia che la chiave giusta sia nella piscina.

Aspetto serratura e chiave

L'azione specifica di un enzima con un singolo substrato può essere spiegata utilizzando un'analogia Serratura-e-Chiave postulata per la prima volta nel 1894 da Emil Fischer. In questa analogia, la serratura è l'enzima e la chiave è il substrato. Solo la chiave di dimensioni corrette (substrato) si inserisce nel foro della chiave (sito attivo) della serratura (enzima).

Conoscere l'interazione tra un ligando e il suo ospite è fondamentale per comprendere la risposta biologica del ligando. La progettazione di farmaci prevede la progettazione di molecole complementari per forma e carica al target biomolecolare con cui interagiscono e quindi ci si legheranno.

Questo progetto non accetta attualmente nuovi account.

Assegnazione crediti: n/d

Per unirsi al team BOINC.Italy consultare la scheda "Link utili" qui sotto cliccando sull'icona relativa al "JOIN" .

Problemi comuni: nessuno vedi elenco

Link utili

Join al Team
Applicazioni
Stato del server
Statistiche interne del progetto
Classifica interna utenti
Pagina dei risultati

 

Statistiche BOINC.Stats

Statistica del Team sul progetto
Classifica dei team italiani
Statistiche del Team
Classifica Utenti
Classifica mondiale del Team

 XANSONS for COD è un progetto di ricerca volto a creare un database ad accesso aperto di modelli simulati di diffrazione di raggi X e polvere di neutroni per la fase nanocristallina dei materiali presentati nel Database aperto di cristallo (COD) .

I calcoli per questo progetto sono stati completati. Il database dei modelli simulati di diffrazione della polvere è disponibile all'indirizzo http://database.xansons4cod.com .

Questo progetto utilizza il software open source originale (licenza GPLv3) XaNSoNS (Scattering di raggi X e neutroni su strutture nanoscale) per simulare i modelli di diffrazione su CPU e GPU.

XANSONS per COD è un progetto BOINC gestito privatamente. È stato supportato dalla Fondazione russa per la ricerca di base nel 2015-2017 (progetto RFBR n. 15-07-07901-a).

Per ulteriori informazioni visitate il thread ufficiale presente nel nostro forum.

Problema scientifico

La tecnica convenzionale utilizzata per recuperare le proprietà strutturali dei campioni cristallini mediante il loro modello di diffrazione della polvere è il metodo di raffinamento di Rietveld . In questo metodo, il modello teorico di diffrazione della polvere viene perfezionato fino a quando non si adatta a quello sperimentale. Il calcolo degli angoli e delle intensità delle cime di Braggpuò essere fatto quasi istantaneamente nell'approssimazione della dimensione infinita del cristallite. Per regolare la dimensione finita dei cristalliti nei campioni o la risoluzione finita del dispositivo di misurazione, questi picchi vengono ampliati artificialmente con la funzione di ampliamento (di solito gaussiana). Questo allargamento artificiale funziona benissimo fino a quando la dimensione del cristallite nel campione è inferiore a poche decine di nanometri. Per i cristalliti così piccoli, è molto difficile ottenere la giusta funzione di ampliamento che funziona bene per tutti i picchi di Bragg. Fortunatamente, per i cristalliti così piccoli, non è un problema calcolare i modelli di diffrazione della polvere usando l' equazione di Debye (con l' approssimazione dell'istogramma della distanza , come quella proposta da Marcin Wojdyr e implementata nel suo Codice Debyer ). Questo progetto ha lo scopo di calcolare i modelli di diffrazione di raggi X e polvere di neutroni per i nanocristalliti con dimensioni variabili da 6 nm a 30 nm per la maggior parte delle voci del database aperto di cristallografia . Vengono considerati i due diversi tipi di materiali: (a) nanoparticelle cristalline sferiche isolate di una determinata dimensione (diametro), (b) materiale cristallino con ordine a lungo raggio rotto su distanze maggiori di un determinato valore. Il database ottenuto può semplificare la diagnostica dei campioni nanocristallini e integrare il metodo di corrispondenza della ricerca di profilo completo nell'analisi delle dimensioni dei cristallini dei campioni nanocristallini.

Oltre a quanto sopra, il calcolo del modello di diffrazione della polvere usando l'equazione di Debye consente di tenere conto dei difetti del reticolo quali posti vacanti nel sito, sostituzioni di atomi e spostamenti. Pertanto, se il CIF (Crystallography Information File) per la struttura fornita fornisce i numeri di occupazione del sito e i parametri di spostamento atomico, l'applicazione li utilizzerà per calcolare il modello di diffrazione.

Questo progetto non accetta attualmente nuovi account.

Per unirsi al team BOINC.Italy consultare la scheda "Link utili" qui sotto cliccando sull'icona relativa al "JOIN" .

Link utili

Join al Team
Applicazioni
Stato del server
Statistiche interne del progetto
Classifica interna utenti
Pagina dei risultati

 

Statistiche BOINC.Stats

Statistica del Team sul progetto
Classifica dei team italiani
Statistiche del Team
Classifica Utenti
Classifica mondiale del Team

Valutazione attuale: 5 / 5

YAFU - Ancora un'altra utility di fattorizzazione dei numeri
Lo scopo è quello di fattorizzare numeri nell'intervallo di 70 - 110 cifre che necessitano di factoring nel factordb. Si comicnia con numeri di 89 cifre. Ce ne sono circa 6700 che devono essere presi in considerazione.

 Per ulteriori informazioni visitate il thread ufficiale presente nel nostro forum.

TODO

Per unirsi al team BOINC.Italy consultare la scheda "Link utili" qui sotto cliccando sull'icona relativa al "JOIN" .

Link utili

Join al Team
Applicazioni
Stato del server
Statistiche interne del progetto
Classifica interna utenti
Pagina dei risultati

 

Statistiche BOINC.Stats

Statistica del Team sul progetto
Classifica dei team italiani
Statistiche del Team
Classifica Utenti
Classifica mondiale del Team

Valutazione attuale: 5 / 5

MLC @ Home offre una piattaforma aperta e collaborativa per i ricercatori che studiano la comprensione dell'apprendimento automatico. Ci consente di formare migliaia di reti in parallelo, con input strettamente controllati, iperparametri e strutture di rete. Usiamo questo per ottenere approfondimenti su questi modelli complessi.

In questa guida vedremo come creare dei client multipli su una distribuzione GNU/Linux tramite l’utilizzo dei container Docker. E come gestirli tramite Portainer.

Perché mi servono altri client Boinc?
Alcuni progetti hanno dei limiti di wu (work unit) scaricabili. Questi limiti possono impedire la creazione dei cosiddetti “bunker”.
Altro limite nella creazione di un “bunker” è il dover negare la connessione internet al client. Se si finiscono le wu prima del previsto, non potremo più scaricarne altre. Poiché una volta sbloccata la connessione, oltre che scaricarne di nuove…caricherà quelle che avevamo precedentemente elaborato. Vanificando il nostro “bunker”.
Un altro modo per utilizzare più client Boinc è quello di separare progetti cpu da quelli gpu. In modo da avere un controllo maggiore.
Utilizzando dei container si possono gestire molti altri aspetti come:
• quantità di core/thread da dedicare
• quantità di ram da dedicare
• possibilità di rendere disponibile la gpu (in caso di sistemi con più gpu, si può decidere quale)
• gestione da remoto normale, tramite il manager o BoincTask
• possibilità di crearli quando si vuole, anche con altri client attivi
• creazione quasi del tutto "automatizzata" grazie a docker-compose

Valutazione attuale: 5 / 5

Gaia è un'importante missione dell'ESA progettata per sondare 1.000.000.000 (1 miliardo) di stelle nella Via Lattea al fine di realizzare una mappa 3D di precisione senza precedenti. Questo ci permetterà di rispondere a domande fondamentali sull'origine e l'evoluzione della nostra galassia. Tuttavia, si prevede che i dati prodotti di Gaia supereranno 1 PetaByte in termini di dimensioni, rendendo difficile per la comunità scientifica coinvolgere e analizzare i dati.

La “Gaia Added Value Interface Platform” (GAVIP) è progettata per affrontare questo problema fornendo una piattaforma innovativa per gli scienziati per riutilizzare e distribuire, vicino ai dati, il proprio codice esistente, confezionato come "Interfacce a valore aggiunto" (AVI).

Il progetto GAVIP Grid Computing (GAVIP-GC) è progettato per offrire agli scienziati un altro livello di libertà. Il progetto rende possibile eseguire calcoli che richiedono molto tempo di CPU, riducendo il carico di lavoro computazionale sulla piattaforma GAVIP e aprendo opportunità per operazioni di elaborazione pesanti su computer volontari. GAVIP-GC consente di creare un numero enorme di piccoli lavori (dati Gaia + codice), inviarli alla piattaforma BOINC e raccogliere i risultati per ulteriori analisi.

I cambiamenti orbitali di C/2002 T7 proiettati nella sua orbita originale che sono descritti da cinque istantanee nel catalogo CODE. La linea rossa raffigura il movimento passato della cometa, mentre quella blu la sua futura evoluzione. Cinque istantanee quando gli elementi orbitali sono registrati sono: 1-l’orbita eliocentrica oscillante vicino al centro dell’intervallo di osservazione (tipicamente vicino al perielio); 2-l’orbita originale baricentrica registrata nel passato a 250 au dal Sole; 3-l’orbita baricentrica futura che sarà registrata a 250au dal Sole; 4-la precedente orbita, registrata al precedente perielio; 5-la prossima orbita, in questo caso registrato al limite di fuga a 120000 au dal Sole.  

La piattaforma GAVIP fornisce alcune risorse gratuite per ogni utente che possono essere spese per l'analisi dei dati. Tuttavia, ci sono alcuni casi d'uso che non solo richiedono la lettura dell'intero catalogo Gaia, ma richiedono anche molto tempo di CPU per i calcoli: GAVIP-GC intende aiutare a soddisfare questo requisito fornendo l'accesso a queste risorse BOINC gratuite aggiuntive.

L’evoluzione dinamica dell’orbita nominale di C/2002 T7 Linear (soluzione d6) sotto le simultanee perturbazioni galattiche e stellari. L’asse verticale sinistra descrive un diagramma della distanza eliocentrica (linee blu sottili) e uno della distanza dal perielio (linee verdi che diventano nere se e> 1.0). L’asso verticale destro descrive gli elementi angolari (con rispetto al piano galattico): una inclinazione (linea fucsia) e un argomento del perielio (linea rossa). Queste linee rappresentano le dinamiche quando tutte le perturbazioni stellari sono omesse.

< TODO >

Valutazione attuale: 5 / 5

Amicable Numbers è un progetto di ricerca indipendente che utilizza computer connessi a Internet per trovare nuove coppie amichevoli.

Valutazione attuale: 5 / 5

Boinc@Tacc è un progetto basato sul modello del volunteer computing (VC). Il progetto andrà ad aiutare i ricercatori TACC/XSEDE ad eseguire applicazioni da una vasta area di campi scientifici (come l’ingegneria aerospaziale, la biologia computazione e l’ingegneria dei terremoti) su pc portatili, desktop, o macchine virtuali (VM) sul cloud, possedute dai volontari.

I ricercatori, infatti, avranno cicli computer supplementari accessibili attraverso il loro account TACC / XSEDE : con BOINC@TACC, potranno far eseguire lavori di elaborazione ad alta velocità che implicano piccole quantità di trasferimento ed elaborazione dei dati, senza spendere le loro allocazioni attive sui server TACC.

Il progetto, infatti, è aperto (per ora) solo a quei ricercatori che hanno avuto l’approvazione per accedere al TACC (Texas Advanced Computing Center), attraverso un processo di revisione peer-review della allocazione delle risorse: ovvero dovranno presentare piani scientifici completi e coerenti per avere accesso alle risorse dei volontari. Questi ricercatori, come detto, provengono da campi di ricerca molto differenti: dinamica computazionale dei fluidi, chimica computazionale, biologia computazionale, astronomia e anche scienze sociali.

Scopo secondario del progetto è quello di avvicinare il mondo HPC con il framework Boinc, per poter creare fruttuose collaborazioni in campo scientifico ed informatico.

Valutazione attuale: 4 / 5

 

Il progetto distribuito iThena riguarda la mappatura sperimentale delle strutture di rete incluse in Internet. Attualmente, l'applicazione disponibile nel progetto (iThena CNode) esegue una sequenza di procedure traceroute dai computer client. I dati risultanti vengono rinviati al server e inviati al database principale, dove possono essere ulteriormente analizzati.

Valutazione attuale: 4 / 5

 

SRBase è un progetto di ricerca matematico che mira a risolvere le congetture di Sierpinski/Riesel per tutte le basi fino a 1030 e collabora con il progetto Conjectures 'R Us che coordina l’assegnazione del lavoro.

Di recente SRBase ha cominciato a collaborare anche con il progetto GPU to 72, per aiutare GIMPS nella fattorizzazione di numeri di Mersenne.

Per ulteriori informazioni visitate il thread ufficiale presente nel nostro forum.

Sia k un numero naturale dispari.

Dato l’insieme , k è un numero di Riesel se ogni elemento di R è un numero composto.

Sia k un numero naturale dispari.

Dato l’insieme   , k è un numero di Sierpinski se ogni elemento di S è un numero composto.

Come abbiamo appena visto, i numeri/elementi di R ed S, hanno base b=2.

È possibile generalizzare il problema di Riesel/Sierpinski a una base intera b≥2.

Sia k un numero intero positivo tale che MCD(k-1,b-1)=1 e che non sia una potenza razionale di b.

Dato l’insieme  , k è un numero di Riesel base b se ogni elemento di R_b è un numero composto.

Sia k un numero intero positivo k tale che MCD(k+1,b-1)=1 e che non sia una potenza razionale di b.

Dato l’insieme  , k è un numero di Sierpinski base b se ogni elemento di S_b è un numero composto.

Per ogni base b, mediante degli specifici programmi, viene congetturato un determinato k, chiamato ck dall'inglese "conjectured k", che è certamente numero di Riesel o Sierpinski e il più piccolo (è questa la congettura!) che soddisfi tale proprietà. Si noti che, a parità di base, il ck è diverso a seconda che sia di Riesel o di Sierpinski, quindi le congetture relative vanno trattate separatamente.

Fissata una base b, per trovare che ck è il più piccolo numero di Riesel/Sierpinski, prendiamo tutti i k più piccoli di ck. Vogliamo dimostrare che per ogni k<ck non tutti i numeri nella forma k*b^n-1 (oppure k*b^n+1, a seconda del caso) sono composti, ovvero ce n'è almeno uno primo. Ed è questo quello che il progetto fa effettivamente: cercare numeri primi, che non è l'obiettivo, bensì il mezzo.
Quando viene stabilita una congettura per una determinata base, ci sono migliaia di k candidati e potenzialmente infiniti numeri candidati da testare. Allora si parte con il sieving o setacciamento, che viene svolto in separata sede, fino a una certa profondità oltre la quale cercare fattori non è più tanto conveniente rispetto all'eseguire il test di primalità stesso. Comunque, tutti i candidati che sono stati fattorizzati grazie al sieving vengono depennati dalla lista, il che è un notevole sgravio per l'hardware che invece cercherà numeri primi.
Quindi, il server del progetto manda a ogni computer numeri da testare (workunits) e, se i test hanno esito negativo, aumenta progressivamente l'esponente n (l'unico parametro rimasto su cui lavorare) alla ricerca di numeri primi più grandi. Notiamo così che la durata dei test si allunga più si va avanti. È possibile infatti che non si trovi mai il controesempio che stiamo cercando ed è quello che è accaduto sino ad ora, per esempio, nel progetto Seventeen or Bust dove oramai stiamo testando n di 32 milioni!
Detto ciò, ogni volta che viene trovato un numero primo nella forma k*b^n±1, un k viene eliminato e non verranno più testati numeri con quel k. Risolvere una congettura di Riesel/Sierpinski o semplicemente risolvere una base, cosa che nel progetto SRBase viene premiata con un badge per chi elimina l’ultimo k, significa aver eliminato tutti i k candidati per tale base.

Così SRBase aiuta Conjectures 'R Us svolgendo una parte del lavoro per risolvere questi problemi, cioè trovare il più piccolo numero di Riesel/Sierpinski per le basi b con 2≤b≤1030, ma non è l'unico progetto BOINC che lo fa. Ci sono alcuni sottoprogetti di PrimeGrid come Sierpinski/Riesel Base 5 Problem che ha l'esclusiva sui numeri di Riesel/Sierpinski con b=5, il famoso Seventeen or Bust che si occupa dei numeri di Sierpinski con b=2, ecc. Il resto del lavoro viene svolto da volontari esterni a BOINC con il software apposito, ma sempre facenti parte del circuito del calcolo distribuito.

Per quanto riguarda la fattorizzazione dei numeri di Mersenne, si tratta ancora di fare sieving, ma per un altro progetto molto più importante, GIMPS, che cerca numeri primi di Mersenne ed è responsabile della scoperta dei più grandi numeri primi al mondo, ad oggi conosciuti.

Per unirsi al team BOINC.Italy consultare la scheda "Link utili" qui sotto cliccando sull'icona relativa al "JOIN" .

Link utili

Join al Team
Applicazioni
Stato del server
Statistiche interne del progetto
Classifica interna utenti
Pagina dei risultati

 

Statistiche BOINC.Stats

Statistica del Team sul progetto
Classifica dei team italiani
Statistiche del Team
Classifica Utenti
Classifica mondiale del Team

Valutazione attuale: 4 / 5

 

La chimica molecolare è in ritardo in termini di open science. Sebbene la modellizzazione mediante la meccanica quantistica applicata alla chimica sia diventata quasi obbligatoria in tutte le principali pubblicazioni, i dati grezzi computazionali vengono per lo più conservati nei laboratori (o addirittura distrutti). Oltre a questo, i software utilizzati in questo settore tendono a mancare di un controllo di qualità efficace e i dettagli computazionali sono generalmente incompleti negli articoli.

Il primo obiettivo di questo progetto è quello di costituire una grande piattaforma collaborativa aperta che curerà e memorizzerà i risultati della chimica molecolare quantistica. I file di output originali saranno pubblicamente disponibili per essere riutilizzati per affrontare nuovi studi chimici per diverse applicazioni. L'apprendimento automatico e, più in generale, l'intelligenza artificiale applicata ai dati di chimica promettono di rivoluzionare il dominio nel prossimo futuro, ma questi metodi richiedono molti dati, che questo progetto sarà in grado di fornire. Oggigiorno, infatti, è impossibile, per un essere umano, tenere conto dei risultati, anche limitati ai dati più importanti, per milioni di molecole conosciute.

Il secondo obiettivo di questo progetto è cambiare radicalmente l'approccio, sviluppando intelligenza artificiale e metodi di ottimizzazione al fine di esplorare in modo efficiente lo spazio molecolare altamente combinatorio. I modelli generativi  mirano a fornire un “assistente artificiale” che, da un lato ha imparato a prevedere le caratteristiche di una molecola e a stimarne il costo di sintesi, e dall'altro è in grado di navigare efficacemente nello spazio molecolare. I modelli generativi aprirebbero molte prospettive facilitando notevolmente lo screening di nuove molecole con molte potenziali applicazioni (energia, medicina, materiali, ecc.).

Supportando questo progetto, aiuterai i ricercatori chimici di tutto il mondo creando una raccolta unica di risultati. Aiuterai anche le nostre AI ad offrire più obiettivi nuovi per le diverse applicazioni che stiamo affrontando.

Per ulteriori informazioni visitate il thread ufficiale presente nel nostro forum.

I ricercatori stanno calcolando ogni volta UNA singola molecola con la meccanica quantistica. Una molecola è un insieme di atomi legati insieme. Per ora, si limitano a piccole molecole con solo H, C, N, O e F (Idrogeno, Carbonio, Azoto, Ossigeno e Fluoro). Nella meccanica quantistica, usano un'approssimazione dell'equazione di Schrödinger. Pertanto, i calcoli possono essere confrontati solo se corrispondono alle stesse approssimazioni (generalmente indicato come “livello di teoria”).

- Il primo calcolo è l'ottimizzazione delle posizioni atomiche, ovvero una ottimizzazione geometrica per ottenere le posizioni atomiche 3D più stabili. Se le posizioni atomiche iniziali sono lontane da quelle stabili, questo passaggio può richiedere molto tempo.

- Quindi il secondo passo è calcolare la derivata completa dell'energia rispetto alla posizione degli atomi: questo significa vedere quali sono le forze tra ciascun atomo. Questo calcolo fornisce anche le frequenze di assorbimento ad infrarossi.

- Infine, l'ultimo passo è il calcolo delle eccitazioni elettroniche per simulare gli spettri UV-visibili. Fornisce, ad esempio, informazioni preziose per l'applicazione fotovoltaica.

Nel laboratorio BOINC del progetto viene utilizzato un programma proprietario che è più di 10 volte più veloce, mentre nella parte pubblica del progetto è usato NwChem, una soluzione aperta. In NwChem, con l'attuale livello di teoria il tempo medio per il passo di ottimizzazione è di circa 5h e 25h ciascuno (per i passi della frequenza e le eccitazioni elettroniche). Dal momento che i ricercatori voglioni generare molte nuove molecole sconosciute, i calcoli potrebbero richiedere molto più tempo di prima. Si sta quindi cercando un livello inferiore di teoria che possa aiutarci a discriminare i candidati “buoni” e “cattivi”. Nella parte "privata" del progetto, veranno calcolati solo quelli buoni: noi volontari, quindi, siamo necessari come fossimo un “super-filtro”, dal momento che il progetto può generare diverse migliaia di nuove molecole al giorno, probabilmente con molti errori!

I ricercatori hanno espresso l'intenzione, più avanti nel progetto, di darvi l'opportunità ai volontari di vedere il disegno delle molecole che hanno calcolato.

Elaborazione:  multicore

Per unirsi al team BOINC.Italy consultare la scheda "Link utili" qui sotto cliccando sull'icona relativa al "JOIN" .

Link utili

Join al Team
Applicazioni
Stato del server
Statistiche interne del progetto
Classifica interna utenti
Pagina dei risultati

 

Statistiche BOINC.Stats

Statistica del Team sul progetto
Classifica dei team italiani
Statistiche del Team
Classifica Utenti
Classifica mondiale del Team

Valutazione attuale: 5 / 5

Guida all'uso di Raspberry PI4

Questa è una breve guida su come configurare il proprio Raspberry per aiutare il progetto Rosetta@Home. La guida si compone di due parti: la prima riguarda la configurazione manuale del proprio dispositivo, mentre la seconda prevede l'uso di un sistema di configurazione automatica (più semplice e veloce) chiamata Fold For Covid.

Rosetta@Home sul Raspberry PI4 - Configurazione manuale

Con la nuova versione degli applicativi è possibile far funzionare il progetto Rosetta@home sul Raspberry Pi4: questo applicativo, chiamato "Rosetta for Portable devices" gira sotto Raspbian, ma è solamente per l’architettura ARM64.

Link a Rosetta@home: http://boinc.bakerlab.org/rosetta/

Link a Raspberry Pi4: https://www.raspberrypi.org/products/raspberry-pi-4-model-b/

Link a Raspbian: https://www.raspberrypi.org/downloads/raspbian/

Ci sono però alcuni punti da tener ben presente:

• Bisogna impostare il kernel in modalità a 64 bit.

• Bisogna indicare a BOINC che è una piattaforma aarch64 (ARM64).

• Alcune attività di Rosetta possono utilizzare fino a 1,5 GB di memoria ciascuna, quindi è necessario limitare quante vengono eseguite contemporaneamente.

La maggior parte dei progetti BOINC non ha (per ora) applicativi aarch64, in maniera particolare Einstein@Home che ha una app incompatibile e che fa andare in errore tutte le wu. Si può sempre tornare alla modalità armhf (32 bit) dopo, facendo in maniera inversa questi passi.

- Si, teoricamente potete farlo anche con un Pi3B o un Pi3B+, ma questi hanno solo 1Gb di memoria, quindi è difficilmente utilizzabile. -

Perché sono necessari tutti questi passaggi?
Come abbiamo appena detto, quando si installa Raspbian sul Pi tutto è a 32 bit, i programmi e gli add-on ed è conosciuto come armhf (ARM hard float). La Raspberry Pi Foundation ha fatto modifiche al kernel per permettere la modalità a 64 bit, ma gli applicativi sono ancora a 32 bit. Quando viene installato Boinc, si ha la versione armhf dal momento che la Fondazione non ha ancora i repository aarch64. E’ per questo motivo che è necessario dire a Boinc che è su una versione aarch64, così che chieda correttamente al server del progetto wu a 64 bit.

1. Installare BOINC
Se è già installato, passate oltre. Se non è installato, per prima cosa è consigliabile aggiornare il Raspberry con i seguenti comandi:

sudo apt-get update

sudo apt-get upgrade

Riavviate e lanciate il comando per installare Boinc (con l'interfaccia grafica del manager):

sudo apt-get install boinc

Avviate Boinc e agganciate il progetto Rosetta@Home, ma selezionate “Blocca richiesta attività” dal Manager (non devono essere presenti wu, altrimenti andranno in errore).

2. Impostare il kernel nella modalità a 64 bit
Di default il kernel di Raspberry è configurato a 32 bit per motivi di compatibilità con i software dei precedenti Pi. E’ necessario avere un kernel 4.19.75 o successivo. Per capire che versione del kernel è presente sul vostro Raspberry, si può lanciare dal terminal o via ssh il seguente comando:
uname -a

(Se è presente un kernel precedente e non avete già aggiornato, lanciate i due comandi al punto 1).

Fate uno copia del file di configurazione. Scrivete:
cd /boot
sudo cp config.txt config.old

Editare, adesso, il file config.txt con l’editor Nano.
sudo nano config.txt

Una volta aperto Nano, andare nella parte finale e aggiungere "arm_64bit=1" (senza le virgolette) in una nuova linea. Premere Control+O per salvare il file e Control+X per uscire da Nano.

Riavviare

3. Dire a BOINC che è su una piattaforma aarch64
Tornare nel terminal o nella sessione ssh e rilanciare il comando:
uname -a

Si dovrebbe vedere la scritta "aarch64" alla fine della linea (se non c’è bisogna risolvere ricontrollando il passaggio 2). Se, invece, è correttamente presente, occorre editare il file cc_config.xml, utilizzato da BOINC, in questa maniera:
cd /etc/boinc-client
sudo nano cc_config.xml

Una volta all’interno del file, occorre aggiungere il tag <alt_platform> e deve essere inserito tra i tag <options>  (da creare). Se non è presente il tag <options> occorre crearlo così:
<options>
  <alt_platform>aarch64-unknown-linux-gnu</alt_platform>
</options>

Se, invece, è già presente aggiungere soltanto, all’interno, la riga:
<alt_platform>aarch64-unknown-linux-gnu</alt_platform>

Cliccare Control+O per salvare il file e Control+X per uscire. Occorre riavviare il client Boinc (non solo il manager) per applicare le modifiche – oppure riavviate il Raspberry - , con il seguente comando:
sudo systemctl restart boinc-client

Riattivare la ricezione del lavoro sul Manager.

Rosetta@Home sul Raspberry PI4 - Usare Fold for COVID

Se la procedura qui sopra vi sembra troppo complessa, non ci sono problemi.

L'azienda Balena.io (che si occupa di cloud e IoT) ha creato una immagine linux per Raspberry già pronta per Rosetta@Home e che è possibile controllare comodamente da remoto via web. Grazie al loro servizio, infatti, è possibile installare e controllare gratuitamente fino a 10 device.

Il progetto si chiama Fold for Covid e mette a disposizione immagini non solo per il PI4, ma anche per altre piattaforme IoT (NanoPc, Nvidia Jetson, Nitrogen 8M, ecc).

Buono scaccolo!!!

Valutazione attuale: 5 / 5

Progetti Covid-19

Seguendo l'esempio degli amici di Boinc@Usa, abbiamo cercato di riassumere in questo schema tutti i progetti (sia Boinc che di Citizen Science) che si occupano della ricerca riguardante il Covid-19.

 Progetti BOINC

Sono presenti anche 2 giochi per aiutare la ricerca Fold.it ed EteRNA

Ci sono, inoltre i progetti di Citizen Science: Covid Moonshot, Dreamlab e Quarantine.

Abbiamo anche creato una piccola guida per usare il vostro dispositivo Raspberry su Rosetta@Home

E, comunque, seguite le indicazioni dell'OMS: mascherina, 1 metro di distanza, lavatevi le mani e state a casa!!!

Anche quest'anno si terrà il Boinc Workshop, dal 9 al 12 Luglio a Chicago.

La partecipazione è libera e gratuita.

Valutazione attuale: 4 / 5

L'enorme dimensione dello spazio dei quadrati latini diagonali rende impossibile enumerare tutti i suoi oggetti direttamente in tempi ragionevoli. Quindi, per scoprire la struttura di questo spazio, sono necessari metodi di ricerca sofisticati. Nel progetto RakeSearch, implementiamo un'applicazione che raccoglie coppie separate di DLS (Diagonal Latin Square) mutualmente ortogonali, che consente di ricostruire grafici completi della loro ortogonalità.

Le coppie di quadrati trovati sono pubblicate qui.

I grafici scoperti dei quadrati latini ortogonali diagonali sono pubblicati qui.

Valutazione attuale: 5 / 5

DHEP consente di ospitare un'isola che esegue un algoritmo genetico in un ambiente coevolutivo al fine di sintetizzare l'elettronica futura super-affidabile come quelle utilizzate nei veicoli autonomi, nelle centrali elettriche, nelle apparecchiature mediche, nell'aerospaziale. Questi sono di importanza sempre più importante in quanto sempre più vite umane si affidano a un hardware ben funzionante.
L'osservazione delle dinamiche della popolazione ci aiuterà anche a capire l'evoluzione, non solo a sfruttarla per raggiungere progetti "migliori di quelli umani", ma anche a capire come i tassi di migrazione, la diversità genetica e i meccanismi interni della ricombinazione genetica siano intervenuto di concerto per raggiungere la biodiversità e la meraviglia degli organismi viventi odierni.
Il progetto simula un'isola con una popolazione di circuiti che lottano per la sopravvivenza in un mondo online ostile. Durante il tempo di inattività dei PC, gli individui di questa popolazione si evolveranno attraverso l'evoluzione artificiale in un processo di sopravvivenza del più mite nei circuiti con Concurrent Error Detection (CED) e competeranno con quelli ospitati su altri PC migrando verso e da essi. Questi circuiti non saranno vincolati da regole progettuali convenzionali poiché l'evoluzione trova soluzioni efficienti senza preoccuparsi di quanto siano complessi da comprendere, proprio come ha fatto con il nostro corpo e il nostro cervello. Puoi unirti a questo cluster di calcolo in un minuto, scaricando il client boinc ed unendoti al progetto. Controlla come la tua popolazione sta facendo meglio rispetto a quelle degli altri e dai un nome alle migliori creazioni se entrano nella hall of fame “meglio dell’umano.
L'hardware di autodiagnostica è in grado di rilevare le deviazioni dal suo comportamento normale a causa di guasti: l’autodiagnostica è importante specialmente in sistemi mission-critical come strumentazione medica, controlli del trasporto e in quegli ambienti rischiosi come le missioni spaziali o le centrali nucleari.  L'autotest integrato (BIST) è ampiamente utilizzato, ma in genere richiede più del 100% di sovraccarico dell’area oppure dei test off-line. Tuttavia nei sistemi critici di missione i test off-line non sono adatti perché dobbiamo diagnosticare immediatamente (real time) il fallimento. La soluzione on-line standard è un sistema di votazione con due copie del modulo che deve essere diagnosticato, che è in grado di rilevare immediatamente i guasti confrontando le uscite delle copie. Tuttavia, questa soluzione richiede una ridondanza del 100% per il modulo aggiuntivo, più una maggiore logica per l'elettore (che deve stabilire quale modulo è on-line ed è corretto). Negli ultimi 40 anni di ricerca riguardanti il CED, nata dal programma aerospaziale della NASA, la progettazione convenzionale non ha prodotto un miglioramento significativo del sistema di votazione così come non ne ha prodotto per una soluzione CED on-line. Voi potete aiutarci ad arrivare alla prossima generazione di circuiti auto-diagnostici.
Poiché un numero crescente di compiti mission critical sono automatizzati, i circuiti di autocontrollo sono di fondamentale importanza: come abbiamo visto ci sono applicativi medici (monitor cardiaci, pacemaker, ecc), di trasposto (hardware degli aerei, luci del traffico, l’ABS delle auto, ecc), spaziali (satelliti, sonde) e impianti industriali (centrali atomiche) e molti si aggiungeranno nel futuro, come le auto a guida autonoma, operazioni mediche svolte da remoto, ecc. In tutte queste aree sono a rischio vite umane o grandi perdite economiche. Unendoti a questo progetto, daresti un contributo prezioso ad una interessante ricerca e contribuirai a spingere in avanti i limiti della conoscenza umana. Non solo, ma i circuiti prodotti da questo progetto sono davvero migliori di quelli del design convenzionale, quindi porterebbero a controllori più sicuri in applicazioni mission critical attuali ed emergenti salvando, come detto, vite e denaro.

I Metodi evolutivi come gli algoritmi genetici (GA) o le strategie evolutive (ES) tentano di applicare l'evoluzione darwiniana ad altri campi di ricerca:
1. Codificare il problema come un genotipo binario.
2. Creare una popolazione con genotipi casuali.
3. Valutare tutti gli individui in una popolazione.
4. Selezionare il più adatto per la riproduzione.
5. Creare una nuova popolazione applicando il cross-over a quelli selezionati.
6. Appicare la mutazione di fondo a tutti gli individui della populazione.
7. Tornare al punto 3 e ripetere fino a trovare una soluzione ottimale.

Questo semplice algoritmo è stato applicato a una vasta gamma di problemi, dall'adattamento dei parametri nei modelli economici alla progettazione delle ali degli aeromobili. Uno degli esempi più eclatanti del potere di variazione e selezione cieca è il discriminatore di toni di Adrian Thompson: sfruttando la fisica raffinata di un chip riconfigurabile (FPGA), un design evoluto è stato in grado di distinguere due parole pronunciate utilizzando solamente 100 porte logiche: qualcosa di impensabile con un design convenzionale. Maggiori approfondimenti in New Scientist Cover Story. Vi sono altri esempi in cui i metodi evolutivi applicati all'hardware hanno prodotto circuiti paragonabili a quelli progettati da esperti e anche circuiti non convenzionali in cui le risorse sono utilizzate in modo estremamente efficiente.
L'hardware autodiagnostico che si evolve è stato inizialmente tentato dall'autore per alcuni circuiti giocattolo: un moltiplicatore a due bit e un sommatore un bit. Dopo centinaia di migliaia di generazioni, i circuiti si sono evoluti eseguendo una diagnosi completa utilizzando circa la metà del carico che la soluzione convenzionale avrebbe richiesto. Ad esempio, quando si utilizza la tecnologia a gate logico a due ingressi, è possibile implementare un moltiplicatore a due bit utilizzando 7 porte. Aggiungendo una copia ulteriore e altre 7 porte per confrontare 4 uscite, abbiamo un overhead di 14 gate per la soluzione CED del sistema di voto convenzionale
Dopo quattro milioni di generazioni (un tempo di elaborazione di un mese su un singolo PC) la GA ha trovato un circuito (diagram) con lo stesso comportamento utilizzando solo 9 porte extra. È difficile capire esattamente quali siano i principi operativi alla base del suo funzionamento, ma sembra che tenda a utilizzare più porte XOR che propagano sempre un po’ di capovolgimento in uno dei loro input, e sfruttano anche la diversità del design per confrontare più sezioni del circuito simultaneamente. Molti circuiti evoluti sono descritti e i loro diagrammi possono essere trovati in  published papers.
Ciò dimostra che l'evoluzione è in grado di raggiungere aree di spazio progettuale oltre lo scopo del design convenzionale, e anche che queste aree contengono soluzioni efficienti finora invisibili, in attesa di essere svelate. Quanti circuiti di questo tipo l'evoluzione potrebbe trovare, migliori di quelli di oggi? Crediamo che siano ovunque e intendiamo iniziare a cercarli utilizzando un cluster di isole basato sui PC dei volontari.

Perché l'autodiagnosi dell'hardware?

È molto difficile progettare un circuito che produca un comportamento affidabile quando vengono a galla dei difetti, motivo per cui i progettisti umani hanno scelto semplicemente di avere una copia extra dell'intero circuito come soluzione. Tuttavia questo è costoso in termini di potenza e area del silicio, il primo cruciale, ad esempio, nelle missioni spaziali e il secondo nella produzione di massa. I circuiti da dare al cluster per evolvere saranno di dimensioni industriali, come un decodificatore di Viterbi, che viene utilizzato all'interno di ogni telefono cellulare.

Link utili

Join al Team
Applicazioni
Stato del server
Statistiche interne del progetto
Classifica interna utenti
Pagina dei risultati

 

Statistiche BOINC.Stats

Statistica del Team sul progetto
Classifica dei team italiani
Statistiche del Team

In questo aggiornamento, il team del progetto MCM spiega come stiano determinando quali geni e quali firme genetiche siano i più promettenti per quanto riguarda la diagnosi del tumore ai polmoni. Inoltre verrà introdotto il prossimo tipo di tumore – il sarcoma – che sarà preso aggiunto al progetto.
Il progetto MCM, attualmente, continua a processare working units per il dataset del cancro alle ovaie: mentre stiamo accumulando questi risultati, contemporaneamente stiamo continuando ad analizzare i risultati dal dataset del tumore polmonare.

Modelli di familiarità genetica dei biomarcatori nel cancro polmonare
Nei tumori, e nella biologia umana in generale, gruppi multipli di biomarcatori (geni, proteine, microRNA, ecc) possono avere modelli di attività simili e quindi utilità clinica, aiutando la diagnosi, la prognosi o la previsione dell’utilità di un determinato trattamento. Per ogni sottotipo tumorale, si possono trovare un gran numero di questi gruppi di biomarcatori, ognuno con potere predditivo simile; tuttavia i metodi statistici e quelli basati sulla IA riescono ad identificarne uno solo da un determinato insieme di dati.
Noi abbiamo due scopi principali in MCM: 1) trovare buoni gruppi di biomarcatori per i tumori che stiamo studiando e 2) identificare come e perché questi biomarcatori formino questi utili gruppi, così da creare un approccio euristico che troverà tali gruppi per ogni malattia tumorale senza la necessità di mesi di calcolo su WCG. Il primo obiettivo ci fornirà non solo informazioni che, dopo la convalida sperimentale, potrebbero essere estremamente utili nella pratica clinica, ma, soprattutto, genererà dati che utilizzeremo per validare la nostra euristica.

Figura 1: Gruppi di proteine unite per interazioni similari e funzioni biologiche simili.

I gruppi multipli di biomarcatori esistono principalmente a causa della ridondanza e del “cablaggio” complesso del nostro sistema biologico: per esempio la rete umana di interazione proteina-proteina altamente interconnessa ci permette di vedere come le singole proteine svolgono diverse funzioni molecolari e, insieme, contribuiscono a specifici processi biologici, come mostrato nella Figura 1. Molte di queste interazioni si possono trasformare da “sane” a “malate” (portando, quindi a patologie come i tumori ed altre), influenzando, a loro volta, le funzioni di queste proteine. Attraverso queste analisi, miriamo a costruire modelli di questi processi, che a loro volta potrebbero essere utilizzati per progettare nuovi approcci terapeutici.
Due gruppi specifici di biomarcatori possono apparire diversi l'uno dall'altro, eppure funzionano in modo equivalente perché le proteine svolgono funzioni molecolari simili. Tuttavia, l'uso di questi gruppi di biomarcatori per la “stratificazione” del paziente potrebbe non essere semplice. Gruppi di biomarcatori, spesso, non sono convalidati da nuove coorti di pazienti o quando sono misurati da diverse analisi biologiche, e ci sono centinaia di possibili combinazioni da considerare. Alcuni gruppi di biomarcatori, per esempio, possono avere tutti i reagenti disponibili (per l’analisi di laboratorio), mentre altri devono essere sviluppati (o sono molto costosi); possono anche avere diversa robustezza, sensibilità e accuratezza, influenzando il loro potenziale come biomarcatori clinicamente utili.
A tutt’oggi, non esiste un approccio efficace per trovare tutti i gruppi validi di biomarcatori necessari per raggiungere l'obiettivo definito, come la previsione accurata del rischio del paziente o la risposta al trattamento.
Il primo obiettivo dell’MCM è di avere una più profonda comprensione delle “regole” del perché e del come le proteine interagiscono e possono essere combinate per formare un gruppo di biomarcatori, cosa essenziale per comprendere il loro ruolo e la loro applicabilità. Pertanto, stiamo utilizzando l'esclusiva risorsa computazionale di World Community Grid per esaminare sistematicamente il panorama di gruppi utili di biomarcatori per molteplici tipi di tumori e con diverse finalità (diagnosi e prognosi). In tal modo abbiamo stabilito un punto di riferimento per l'identificazione e la convalida dei biomarcatori dei geni tumorali. Allo stesso tempo, stiamo applicando metodi di apprendimento non supervisionati, come il clustering gerarchico alle proteine, che raggruppano per potere predittivo e funzione biologica.
La combinazione di questo clustering e dei pattern di World Community Grid ci consente di identificare cluster genici generalizzati che forniscono approfondimenti più precisi sullo sfondo molecolare dei tumori e danno luogo a gruppi più affidabili di biomarcatori di geni per la diagnosi e la prognosi del cancro. Attualmente, ci stiamo concentrando sui risultati della prima fase del set di dati sul cancro del polmone, che si sono concentrati su un'esplorazione sistematica dell'intero spazio di potenziali gruppi di biomarcatori a lunghezza fissa.

Figura 2: Flusso di lavoro della ricerca MCM-gene-modello-famiglia. I risultati dell'analisi della World Community Grid combinati con il clustering non controllato di geni, identifica un insieme di famiglie di modelli genetici, generalizzando i gruppi di biomarcatori. Infine, i risultati vengono valutati utilizzando noti biomarcatori del cancro e utilizzando annotazioni funzionali, come i percorsi di segnalazione, la funzione e i processi di ontologia genetica.

Come descritto sopra nella Figura 2, World Community Grid ha calcolato circa 10 miliardi di gruppi di biomarcatori selezionati in modo casuale, per aiutarci a capire la distribuzione delle dimensioni dei gruppi e delle combinazioni di biomarcatori che funzionano bene, che a loro volta utilizzeremo per convalidare approcci euristici. L'analisi ha mostrato che circa 45 milioni di gruppi di biomarcatori avevano un'alta capacità predittiva e superato la soglia di qualità. Questa valutazione ci fornisce un quadro dettagliato e sistematico di quali geni e gruppi genetici portano le informazioni più preziose per la diagnosi del cancro del polmone. L'aggiunta di dati sulla rete di interazione tra percorsi e proteine ci consente di interpretare e capire ulteriormente come e perché questi gruppi di biomarker funzionano bene, e quali processi e funzioni portino queste proteine.
Allo stesso tempo, abbiamo usato i dati del cancro del polmone per scoprire gruppi di geni simili: supponiamo che questi geni (o le proteine codificate) soddisfino funzioni biologiche simili o siano coinvolti negli stessi processi molecolari.

Figura 3: Valutazione del cluster (insieme di geni) gerarchico dei dati sul cancro ai polmoni, utilizzando il parametro di collegamento completo, per diversi numeri di gruppi indicati con il valore K (da 100 a 1000). Il primo grafico mostra il valore della silhouette - una metrica di qualità in questo raggruppamento, cioè la misura di quanto ogni oggetto si rapporta al suo cluster rispetto ad altri cluster. Il secondo grafico mostra la distanza inter- e intra-cluster e il rapporto tra distanza intra / inter cluster.

Per trovare gli appropriati algoritmi di clustering e il giusto numero di gruppi di geni (cluster) utilizziamo diverse misure per valutare la qualità di ogni singolo clustering. Ad esempio la figura 3 qui sopra mostra i risultati della valutazione del clustering gerarchico per diversi numeri di cluster: al fine di valutarne la qualità, abbiamo utilizzato il valore della sagoma/silhouette (metodo per valutare la coerenza all'interno di cluster di dati, ovvero la misura di quanto ogni oggetto si rapporta al proprio cluster rispetto ad altri cluster). Un alto valore della silhouette indica una buona configurazione di clustering, e l’immagine mostra un notevole aumento del valore della sagoma nei gruppi di 700 geni. Dal momento che questo indica un incremento significativo nella qualità, abbiamo selezionato successivamente questo cluster per ulteriori analisi.
Non tutte le combinazioni di funzioni biologiche (o la loro mancanza) porteranno allo sviluppo del cancro e saranno biologicamente importanti. Nella fase successiva, applichiamo una ricerca statistica per indagare quali combinazioni di cluster sono più comuni tra i biomarcatori ben preformanti, e quindi risultano in gruppi di geni o famiglie di modelli. Poiché è probabile che alcune famiglie di modelli genetici si verifichino anche a caso, utilizziamo l'analisi dell'arricchimento per garantire che la selezione contenga solo famiglie che si verificano significativamente più spesso di quelle casuali.
Nella fase successiva abbiamo convalidato le famiglie modello generalizzate selezionate, utilizzando un set indipendente di 28 set di dati sul cancro del polmone. Ognuno di questi studi riporta uno o più gruppi di biomarcatori di geni up-down o down-regolati che sono indicativi per il cancro del polmone.

Figura 4: Viene mostrata una selezione di famiglie di modelli ad alte prestazioni e il modo in cui sono supportate da 28 firme geniche precedentemente pubblicate. Ogni cerchio nella figura indica la forza del supporto: la dimensione del cerchio rappresenta il numero di cluster della famiglia che, laddove ci sia, è trovato significativamente più spesso nella firma di questo studio. Il colore del cerchio indica, invece, il valore medio calcolato per tutti i cluster di quella famiglia di modelli.



Figura 5: Una delle famiglie di pattern genetici più frequenti è una combinazione del cluste cluster 1, 7 e 21. Abbiamo annotato ogni cluster con i percorsi usando pathDIP e lo abbiamo visualizzato usando nuvole di parole (più grande è la parola/frase, più frequentemente si verifica). 

La visualizzazione della nuvola di parole indica che il cluster 7 è coinvolto in percorsi correlati ai GPCR (recettore accoppiato a proteine G) e ai NHR (recettori ormonali nucleari). Al contrario, i geni nel cluster 1 sono altamente arricchiti nell'EGFR1 (recettore del fattore di crescita epidermico) e nelle vie di regolazione traslazionale. Le mutazioni che influenzano l'espressione di EGFR1, una proteina transmembrana, hanno dimostrato di provocare diversi tipi di cancro, e in particolare il cancro del polmone (come abbiamo mostrato precedentemente in Petschnigg et al., J Mol Biol 2017; Petschnigg et al., Nat Methods 2014). Il cluster 21 indica, d’altro canto, un grosso coinvolgimento con i microRNA, come noi (ed altri) abbiamo dimostrato in passato (Tokar et al., Oncotarget 2018; Becker-Santos et al., J Pathology, 2016; Cinegaglia et al., Oncotarget 2016).
Le aberrazioni aumentano l'attività della chinasi di EGFR1, portando a iper-attivazione delle vie di segnalazione pro-sopravvivenza a valle e successiva divisione cellulare incontrollata. La scoperta di EGFR1 ha avviato lo sviluppo di approcci terapeutici contro vari tipi di cancro incluso il cancro del polmone. Il terzo gruppo di geni sono obiettivi comuni dei microRNA.

Figura 6: Valutazione di percorsi arricchiti per il cluster 1. Qui abbiamo utilizzato il nostro portale di analisi per l'arricchimento del pathway pubblicamente disponibile che si chiama pathDIP (Rahmati et al., NAR 2017). La rete è stata generata con il nostro strumento di visualizzazione e analisi della rete NAViGaTOR 3(http://ophid.utoronto.ca/navigator).

L'illustrazione finale valuta i 20 percorsi più significativi per il cluster 1. La dimensione dei nodi di percorso corrisponde al numero di geni coinvolti e la larghezza dei bordi corrisponde alla quantità di geni in sovrapposizione tra i percorsi: si può vedere che tutti i percorsi coinvolti nella traduzione sono altamente sovrapposti. I percorsi correlati all'mRNA formano un altro componente altamente connesso nel grafico: il percorso di EGFR1, in particolare, è fortemente sovrapponibile a molti altri percorsi, indicando che i geni che sono interessati da tali percorsi sono coinvolti in un meccanismo molecolare simile.

Sarcoma
Dopo il tumore polmonare e quello ovarico, ci focalizzeremo sul sarcoma. I sarcomi sono un gruppo eterogeneo di tumori maligni, relativamente rari e sono tipicamente categorizzati in base alla morfologia e al tipo di tessuto connettivo in cui si manifestano, inclusi grasso, muscoli, vasi sanguigni, tessuti cutanei profondi, nervi, ossa e cartilagini, comprendendo poco meno del 10% di tutti i tumori (Jain 2010). I sarcomi possono verificarsi ovunque nel corpo umano, dalla testa ai piedi, possono svilupparsi in pazienti di qualsiasi età (bambini compresi) e spesso variano in aggressività, anche all'interno dello stesso sottotipo di organo o tessuto (Honore 2015). Questo suggerisce che una descrizione istologia per organo o per tessuto non è sufficiente per una corretta e completa classificazione della malattia né aiuta nella selezione del trattamento migliore.
La diagnosi dei sarcomi pone un particolare dilemma, non solo per la loro relativa frequenza, ma anche per la loro diversità, con più di 70 sottotipi istologici e per la nostra insufficiente comprensione delle caratteristiche molecolari di questi sottotipi (Jain 2010).
In tal senso, recenti studi scientifici si sono concentrati sulle classificazioni molecolari dei sarcomi sulla base di alterazioni genetiche, come geni di fusione o mutazioni oncogeniche. Mentre la ricerca ha raggiunto importanti sviluppi nel controllo “locale” / salvataggio degli arti, il tasso di sopravvivenza per i sarcomi dei tessuti molli "ad alto rischio" (STS) non è migliorato in modo significativo, specialmente nei pazienti con un sarcoma grande, profondo e di grado elevato - stadio III (Kane III 2018).
Per questi tutti questi motivi, nella prossima fase dell'analisi della World Community Grid, ci concentreremo sulla valutazione del background genomico del sarcoma. Utilizzeremo diverse informazioni e tecnologie di sequenziamento per ottenere una conoscenza più ampia tra i diversi livelli di aberrazioni genetiche e le implicazioni regolative. Forniremo una descrizione più dettagliata dei dati e degli incentivi nel prossimo aggiornamento.

Valutazione attuale: 5 / 5

Oggi è stato ufficialmente rilasciato il nuovo client Boinc, la versione 7.10.2

Qui la lista delle modifiche rispetto alla versione precedente.