Architektura pod spodem pipeline'u
Trzy decyzje inżynierskie przewijają się przez wszystko, co budujemy: dane pacjenta nie opuszczają szpitala, każda rekomendacja musi być wytłumaczalna, a ciężkie obliczenia należą do GPU.
On-premise z architektury, nie z polityki
Zgodnie z art. 9 RODO dane genetyczne to kategoria szczególna — ich przetwarzanie jest ściśle ograniczone, a odpowiedzialność za naruszenie spoczywa na dyrekcji szpitala. Nasza odpowiedź jest architektoniczna: usługi ingestii i wnioskowania działają jako kontenery w sieci szpitala. Żadna sekwencja pacjenta nie trafia do API w chmurze. Na zewnątrz wychodzą wyłącznie zanonimizowane, zabstrahowane zapytania — do publicznego rejestru badań lub indeksu literatury.
Każda rekomendacja jest przy tym ujęta jako informacyjne wsparcie decyzyjne. Klinicysta pozostaje w pętli na każdym etapie; system odpowiada na pytania i cytuje źródła, nie wydaje poleceń.
Akcelerowane wnioskowanie AI i RAG
Integracja z NVIDIA BioNeMo
Wykorzystujemy NVIDIA BioNeMo do przewidywania struktur białkowych 3D (AlphaFold2/ESMFold) i projektowania neoantygenów o wysokim powinowactwie na potrzeby spersonalizowanych szczepionek mRNA.
Genomowe modele fundamentalne
Używamy modeli takich jak Evo 2, akcelerowanych przez GPU, do oceny wariantów o nieznanym znaczeniu (VUS) i wnioskowania na poziomie sekwencji.
Wieloagentowy Semantic RAG
Architektura LangGraph wykorzystująca lokalne bazy wektorowe (np. Qdrant) i osadzenia MedCPT, aby dopasowywać genotyp pacjenta do aktualnych badań klinicznych i literatury bez halucynacji.
Bio-pipeline'y w Nextflow
Zrównoleglone, skonteneryzowane wykonywanie przepływów genomicznych (WiGiTS, SAGE, LILAC), zdolne działać na lokalnych klastrach HPC lub rozszerzać się na GPU w chmurze.
Każde obciążenie GPU ma uzasadnienie
Nie sięgamy po GPU domyślnie — każde poniższe obciążenie wymaga GPU, bo alternatywa jest albo zbyt wolna, by była klinicznie użyteczna, albo fizycznie niemożliwa na CPU. Tam, gdzie właściwym narzędziem jest CPU, używamy CPU.
Deterministyczne wykrywanie wariantów (SAGE/PURPLE/LILAC) działa już na CPU — ale ocena wariantów, których nie sklasyfikowała żadna baza, wymaga modelu fundamentalnego w pętli, a to nie mieści się w budżecie CPU przy pracy w czasie rzeczywistym.
Przewidywanie struktury i dokowanie (modele klasy AlphaFold2/ESMFold) w celu projektowania i rankingowania spersonalizowanych kandydatów na szczepionki.
Kwantyzowane serwowanie on-premise o niskiej latencji — asystent odpowiada w kilka sekund, bez ani jednego zapytania do API w chmurze.
Tysiące oddziałujących na siebie agentów aktualizowanych w każdej klatce — symulator ograniczony do CPU nie udźwignie tego w klinicznie użytecznej skali. Na sprzęcie NVIDIA kompiluje się do natywnej CUDA.
Roadmapa — oceniamy akcelerowane przez GPU silniki wyszukiwania i przechodzenia grafów, aby dalej skalować graf wiedzy.
Silnik symulacji w podejściu compute-first, zbudowany, by działać wszędzie
Nasz silnik modelowania wieloagentowego jest napisany w C++20 z SYCL — neutralnym względem producenta standardzie obliczeniowym działającym na różnych architekturach GPU. Na sprzęcie NVIDIA kompiluje się do natywnej CUDA dla maksymalnej przepustowości. Przenosząc masowy spatial hashing i detekcję kolizji między komórkami w całości na shadery obliczeniowe GPU, eliminujemy wąskie gardła CPU typowe dla starszych symulatorów — co pozwala modelować mikrośrodowisko guza w klinicznie użytecznej skali.
Rozwiązania oparte na obliczeniach i AI
Każda symulacja działa jako obliczenia akcelerowane przez GPU — projektowane pod skalę i szybkość, tak by nauki nie ograniczał sprzęt.
Zbudowane dla naukowców, nie inżynierów
Edytor wizualny pozwala badaczom samodzielnie projektować i uruchamiać symulacje — bez programowania GPU ani pisania kodu.
Przenośny rdzeń, dostrojony pod CUDA
SYCL utrzymuje przenośność kodu w założeniu — ale każdy build domyślnie korzysta z backendu CUDA od NVIDII, gdzie i tak toczy się nasz rozwój, integracja z BioNeMo i wnioskowanie Evo 2.
Zbudowane z użyciem