Обработка экспериментальных данных: микроскопия, геномика, спектры
Конвейер от прибора до таблиц для статьи: сегментация изображений, геномные пайплайны, активное обучение.
Диапазоны по отраслевым публикациям и типовым внедрениям; результат зависит от данных и процессов заказчика.
Что решаем
Современные приборы генерируют данные быстрее, чем их успевают анализировать. Один сеанс на конфокальном или электронном микроскопе — сотни гигабайт изображений, прогон секвенатора — терабайты ридов, телескоп или синхротрон — потоки в десятки терабайт в сутки. Ручная сегментация клеток, разметка спектров, отбор событий занимает у аспирантов месяцы и плохо воспроизводится между людьми.
Готовые нейросетевые инструменты (Cellpose, AlphaFold, DeepVariant и им подобные) существуют, но требуют GPU с большим объёмом памяти и дообучения под конкретный тип образцов, для чего в лаборатории обычно нет ни оборудования, ни инженера.
Что делает ИИ
PyTorchCellpose / MONAINVIDIA ParabricksDVCNextflow
Мы строим конвейер обработки данных под задачи лаборатории: от приёма файлов с прибора до готовых таблиц и графиков для статьи. Обучение и дообучение моделей выполняется локально на собственных размеченных данных, что даёт точность выше универсальных моделей.
- Автоматический приём данных с приборов, каталогизация и контроль качества.
- Сегментация и классификация изображений: клетки, частицы, дефекты, треки.
- Геномные пайплайны на GPU: выравнивание, вызов вариантов, аннотация.
- Активное обучение: модель предлагает для разметки самые неопределённые примеры.
- Воспроизводимость: версии данных, моделей и параметров в едином реестре.
Какие данные нужны
- Изображения микроскопии, томографии, спектры
- Риды секвенирования и референсные геномы
- Размеченные выборки лаборатории
- Метаданные экспериментов и протоколы
Какая инфраструктура нужна
Профиль «train», масштаб «rack-small». Дообучение сегментационных сетей на изображениях 2048×2048 и выше и обработка геномных данных требуют ускорителей с большим объёмом памяти и быстрым локальным хранилищем. Рабочая станция W9 ULTRA с четырьмя GPU из раздела рабочие станции подходит группе из 5–10 исследователей и ставится рядом с прибором. Если данных больше — потоки с нескольких приборов, обучение фундаментальных моделей по микроскопии, — нужен сервер RX MAX из раздела GPU-серверы с восемью ускорителями, NVMe-массивом от 30 ТБ и сетью 100 Гбит/с к хранилищу института. Оперативная память от 512 ГБ критична для геномики. Поставка в Россию и СНГ, конфигурация под приборы заказчика.
Как идёт проект
- 01
Данные и цель
Фиксируем метрику успеха, источники данных и ограничения: on-premise, персональные данные, сроки.
- 02
Пилот на нашей конфигурации
Стартовая машина под задачу и подтверждённый профиль нагрузки перед закупкой кластера.
- 03
Инфраструктура
Поставка серверов, станций и охлаждения, монтаж, ввод в эксплуатацию, ПО и мониторинг.
- 04
Сопровождение
Масштабирование, обновление ускорителей в том же шасси, сервис и запчасти.
Что ещё автоматизируют в отрасли «Образование и наука»
Опишите задачу и данные.
Вернёмся с профилем нагрузки, конфигурацией и коммерческим предложением на поставку в вашу страну.