BioNTech acelera 500 veces el procesamiento de datos para los flujos de trabajo de proteómica con AWS

La espectrometría de masas es una metodología poderosa para la inmunopeptidómica. Esto se debe a su capacidad de detectar e identificar miles de péptidos únicos unidos a HLA en un solo análisis de tejidos y líneas celulares clínicamente relevantes. Un conjunto de datos sin procesar producido en una única adquisición es una amplia colección de espectros que se pueden buscar en una base de datos de proteomas de referencia para identificar péptidos y proteínas. En los flujos de trabajo de proteómica e inmunopeptidómica, los paquetes de software como Spectrum Mill MS Proteomics Software son componentes vitales para procesar y analizar grandes volúmenes de datos de EM que se recopilan de forma rutinaria. 

Hasta 2022, la empresa ejecutaba este software en servidores propios. Los científicos tenían que mover los datos manualmente desde los equipos a las estaciones de trabajo locales que ejecutaban Spectrum Mill. Estos dispositivos se llenaban rápidamente, lo que requería pasos adicionales para archivar los datos. “Nuestros datos totales eran fácilmente de 10 a 15 terabytes, y trasladarlos al dispositivo local requirió mucho tiempo y fue un desafío”, afirma Akhil Chaudhary, ingeniero de Datos de BioNTech. “A medida que nuestras actividades de investigación crecían, nuestra recopilación de datos de esclerosis múltiple también aumentaba significativamente”, afirma Michael McCarthy, solutions architect, BioNTech. “El hardware local ya no podía soportar nuestra escala”. 

Para acelerar el procesamiento de datos y el acceso a los resultados interpretados, el equipo de biología computacional de BioNTech necesitaba una forma de procesar cientos de solicitudes simultáneamente con diferentes parámetros de búsqueda y bases de datos de secuencias de proteínas. Esto formaba parte de su esfuerzo por maximizar la información sobre péptidos y proteínas para realizar descubrimientos novedosos. El departamento se puso en contacto con el equipo de BioNData, un grupo central de datos y análisis de la empresa, para crear herramientas que permitieran escalar horizontalmente las capacidades de procesamiento de datos. El equipo eligió AWS para crear un modelo de datos de laboratorio híbrido y crear una API de escalado horizontal. “En EE. UU., contamos con una larga trayectoria en el uso exitoso de AWS para el desarrollo de productos”, afirma McCarthy. “Fue la elección natural”.

En la primera fase, el objetivo de BioNTech era poder transferir datos de forma fluida desde el equipo de EM a la nube y alojar Spectrum Mill en AWS. La segunda fase consistió en crear un sistema para ejecutar las solicitudes de búsqueda simultáneamente. 

Para transferir los datos sin procesar de EM a la nube, BioNTech instaló el agente de AWS Storage Gateway en todos los equipos. Una vez adquiridos, los datos brutos de espectrometría de masas se transfieren de forma rápida y automática a Amazon Simple Storage Service (Amazon S3), un servicio de almacenamiento de objetos diseñado para recuperar cualquier cantidad de datos desde cualquier lugar. “La velocidad es extremadamente rápida. Un archivo de 5 GB solo tarda entre 5 y 10 segundos en aparecer en Amazon S3”, afirma Chaudhary. Con múltiples instrumentos generando grandes conjuntos de datos, este flujo de trabajo de datos de EM permite una migración más eficiente de los datos a una ubicación centralizada para facilitar el acceso para su procesamiento y archivo. 

El equipo de biología computacional de BioNtech adoptó rápidamente el nuevo flujo de trabajo. “Todo el mundo utiliza el sistema basado en la nube y los investigadores lo encuentran mucho más sencillo”, afirma McCarthy. “Automatizamos la administración de datos en AWS, lo que permite a los científicos centrarse en la ciencia”. 

A continuación, el equipo instaló Spectrum Mill en Amazon Elastic Compute Cloud (Amazon EC2), lo cual proporciona una capacidad de computación segura y de tamaño variable para prácticamente cualquier carga de trabajo. “Al ejecutar Spectrum Mill en la nube, reducimos los tiempos de búsqueda individuales entre un 50 y un 75 %”, afirma Chaudhary. Además, BioNTech ejecuta instancias de spot de Amazon EC2, las cuales pueden ejecutar cargas de trabajo tolerantes a fallos con hasta un 90 % de descuento en comparación con los precios bajo demanda. Como la empresa solo paga por el tiempo que usa las instancias, ha reducido los costos de procesamiento de manera significativa. 

Para escalar la cantidad de flujos de trabajo que puede ejecutar a la vez, el equipo utiliza imágenes de máquina de Amazon, que proporciona la información necesaria para lanzar una instancia, y Amazon EC2 Auto Scaling, que puede agregar o eliminar capacidad de procesamiento para satisfacer la demanda cambiante. “Ahora, llevamos a cabo nuestras búsquedas entre un 50 y un 75 % más rápido y, con Amazon EC2 Auto Scaling, podemos ejecutar cientos de instancias en paralelo, lo que acelera enormemente el procesamiento de datos hasta 500 veces”, afirma McCarthy. 

BioNTech administra los flujos de trabajo de Spectrum Mill mediante Amazon Simple Queue Service (Amazon SQS), un servicio de cola de mensajes totalmente gestionado. Además, la empresa utiliza Amazon API Gateway, un servicio para crear, mantener y proteger las API a cualquier escala, para ejecutar búsquedas en Spectrum Mill. Luego, recupera los datos de un almacén de datos en Amazon Redshift, que ofrece una excelente relación precio-rendimiento para el almacenamiento de datos en la nube. Los equipos científicos utilizan estos conjuntos de datos para identificar objetivos terapéuticos y crear algoritmos de inteligencia artificial para el diseño de vacunas. 

El equipo conecta los resultados procesados con los consumidores de datos de toda la empresa mediante data.all, una herramienta de código abierto para compartir conjuntos de datos entre cuentas de AWS. Como resultado, los investigadores ya no necesitan dedicar tiempo a la administración de datos. “En AWS, nuestros científicos generan y comparten exponencialmente mayor de datos con el objetivo de encontrar terapias eficaces, específicas y personalizadas para los pacientes”, afirma McCarthy.

BioNTech ha visto rápidamente los beneficios de sus nuevos flujos de trabajo en AWS. “Podríamos rehacer todo el trabajo de los últimos 7 años en 60 horas por una fracción del costo original”, afirma Chaudhary. En su siguiente fase, el equipo busca mejorar y automatizar las herramientas de análisis de espectrometría de masas para reducir la tasa de falsos descubrimientos de péptidos. También está creando un envoltorio gráfico alrededor de su API para que todos los equipos de BioNTech puedan beneficiarse de esta en sus flujos de trabajo diarios.

“El proyecto Spectrum Mill es solo el primero de muchos que estamos planificando”, afirma McCarthy. “Este proyecto nos dio la confianza de que podemos resolver problemas similares para nuestros equipos globales. En realidad, el límite es la imaginación. Aún no he encontrado algo que no pueda crear en AWS”.