La modélisation de l’émergence et de la propagation des menaces biologiques n’est pas aussi routinière que la prévision du temps, mais les scientifiques de deux des laboratoires nationaux du Département américain de l’énergie (DOE) ont reçu un financement pour tenter d’y parvenir.
Le laboratoire national d’Argonne du DOE et les laboratoires nationaux de Sandia ont été l’un des trois projets à recevoir un total de 5 millions de dollars du DOE pour faire progresser les outils informatiques afin de mieux se préparer aux menaces biologiques naturelles et créées par l’homme. Les laboratoires travailleront ensemble pour exploiter les algorithmes de résultats réels de Sandia aux modèles haute performance d’Argonne qui traitent de la propagation de la transmission et du contrôle des maladies.
Les projets relèvent de la nouvelle initiative d’environnement virtuel de recherche sur la préparation biologique du DOE Office of Science, qui se concentre sur le développement de capacités scientifiques qui aident à la prévention et à la réponse aux biomenaces potentielles.
Nous voulons des modèles qui imitent la réalité. En les calibrant, nous pourrons être sûrs que les résultats des expériences informatiques menées avec les modèles ont de bonnes chances de refléter de manière significative la réalité. »
Jonathan Ozik, informaticien principal chez Argonne
Ces résultats peuvent donner un aperçu des subtilités de la transmission de la maladie ainsi que de l’efficacité des efforts de vaccination. Fournis aux responsables de la santé publique des municipalités et des États, les résultats pourraient servir de lignes directrices potentielles pour l’élaboration d’initiatives d’atténuation.
Le modèle de maladie développé par Argonne a été utilisé pour la première fois au début des années 2000 lorsqu’une épidémie de SARM est apparue à Chicago. Le même modèle a ensuite été appliqué à la menace d’une épidémie d’Ebola en 2014.
Plus récemment, les chercheurs d’Argonne ont développé CityCOVID, une version hautement raffinée du modèle, pour simuler la propagation du COVID-19 à Chicago. En prévoyant de nouvelles infections, hospitalisations et décès, le modèle a fourni une plate-forme informatique pour étudier les impacts potentiels des interventions non pharmaceutiques pour atténuer la propagation du COVID-19. Il a été choisi comme l’un des quatre finalistes du prix spécial ACM Gordon Bell 2020 pour la recherche COVID-19 basée sur le calcul haute performance, qui a reconnu les réalisations de recherche exceptionnelles pour la compréhension de la pandémie COVID-19 grâce à l’utilisation du calcul haute performance ( CHP).
Le développement de tels modèles, connus sous le nom de modélisation à base d’agents (ABM), est un effort complexe et le HPC devient critique. Cela est dû à la grande quantité de données dont le modèle a besoin, au nombre de paramètres que les chercheurs doivent prendre en compte et à des facteurs ou entrées supplémentaires qui se combinent pour rendre le modèle aussi précis que possible.
« Obtenir l’accès aux données, atterrir sur les bons paramètres et faire évoluer le meilleur ajustement d’informations opportunes et pertinentes pour les décideurs sont parmi les plus gros problèmes auxquels nous sommes confrontés », a déclaré Charles « Chick » Macal, scientifique en chef pour Argonne’s Decision and Division des sciences de l’infrastructure et son chef de groupe en sciences sociales, comportementales et décisionnelles. « Une grande partie du travail que nous effectuons dans le cadre du projet de biopréparation consiste à développer des flux de travail de calcul haute performance pour améliorer les techniques de calcul, afin de les rendre plus efficaces. »
Les paramètres et les facteurs doivent prédire les cibles du monde réel que les chercheurs veulent comprendre, comme le nombre d’hospitalisations, de décès et de vaccinations. Pour bien faire les choses, les chercheurs exécutent des simulations encore et encore – ; parfois des centaines de milliers de fois – ; ajuster les paramètres jusqu’à ce que le modèle imite ce que les données leur disent.
S’assurer que ces composants s’alignent et réduire le nombre et la durée d’exécution des simulations, c’est là que les efforts de Sandia entrent en jeu. Comme Argonne, Sandia avait déjà des racines dans l’épidémiologie informatique, à commencer par la peur de l’anthrax de 2003. Des travaux ultérieurs se sont concentrés sur la variole et, plus récemment, sur le COVID.
Pour ce projet, l’infrastructure informatique d’Argonne sera adaptée pour appliquer automatiquement les algorithmes d’étalonnage développés par Sandia au fur et à mesure que les paramètres des modèles épidémiologiques changent ou que de nouveaux apparaissent.
« Nous sommes les gars qui recherchent ces paramètres », a déclaré Jaideep Ray de Sandia, chercheur principal du projet.
L’un des paramètres les plus importants est le taux de propagation inconnu de la maladie, selon Ray. Calibrer les prédictions du modèle aux données réelles – ; une grande partie provient des données COVID-19 de Chicago et du Nouveau-Mexique et d’autres sources de surveillance de la santé publique – ; en optimisant le taux de propagation sur plusieurs semaines de simulations et la collecte de données permet au modèle de prévoir le nombre futur de cas dans une épidémie.
« Si les prévisions sont exactes, nous savons que nous avons le bon ensemble de paramètres », a déclaré Ray.
Lorsqu’il s’agit d’épidémies de maladies infectieuses, le temps presse. L’étalonnage naïf, qui nécessite d’exécuter un ABM des milliers de fois, n’est ni efficace ni pratique. En utilisant une méthode d’intelligence artificielle appelée apprentissage automatique, les chercheurs peuvent construire et entraîner un métamodèle ; un modèle de leur ABM – ; qui peut fonctionner en quelques secondes. Les résultats peuvent ensuite être utilisés par la machine pour « apprendre » le taux de propagation à partir des données épidémiques et faire des prévisions.
Bien que le processus puisse sacrifier la précision des prévisions à long terme, il pourrait générer des prévisions à court terme plus rapides qui réduisent les dépenses de calcul et déclenchent plus rapidement les efforts d’atténuation.
« Notre objectif en faisant ce type de travail est de rendre le processus routinier, plus proche des prévisions météorologiques ou d’autres domaines où une grande infrastructure informatique est dédiée à l’ajustement continu et automatique des modèles à mesure que de nouvelles données sont obtenues », a déclaré Ozik. « Nous pouvons alors fournir des prévisions à court terme et la possibilité d’exécuter des scénarios à plus long terme qui répondent aux questions spécifiques des parties prenantes. »
Alors que Chicago a servi de banc d’essai pour ce modèle, l’équipe s’attend à généraliser ses méthodes pour les appliquer à n’importe quel autre endroit dans le monde.
Le financement du prix a été fourni par le programme Advanced Scientific Computing Research du DOE, qui gère le développement de systèmes et d’outils informatiques pour le DOE.
