Denne artikkelen er produsert og finansiert av Universitetet i Oslo - les mer.

Ved å køyra tunge og innfløkte modellar kan forskarane berekna rett medisin i rett mengde til kvar enkelt pasient.
Ved å køyra tunge og innfløkte modellar kan forskarane berekna rett medisin i rett mengde til kvar enkelt pasient.

Superdatamaskiner bidreg til persontilpassa medisinering

Med store mengder helsedata kan forskarane laga betre persontilpassa medisinar. Men modellane deira vert for store til å køyra på ein vanleg PC.

Publisert

– Med atterhald om at eg ikkje har full oversikt over kva alle på Farmasøytisk institutt driv med, kjenner eg ikkje til at det er andre enn oss som brukar tungrekning, seier stipendiat Markus Herberg Hovd.

Fagfeltet hans er populasjonsfarmakokinetikk som handlar om korleis kroppen og grupper av pasientar handterer ulike legemiddel.

– Formålet er blant anna det som heiter persontilpassa medisinering, som betyr at du som pasient får akkurat den rette medisinen i akkurat den rette mengda akkurat så lenge som er riktig for akkurat deg, seier Hovd.

Mengda helsedata veks dagleg

For å finna ut av det, treng forskarane reknekraft langt ut over det som ein vanleg kontor-PC kan by på. Det kan kanskje høyrast paradoksalt ut at det skal vera nødvendig med så mykje reknekraft for å gje enkeltpasientar tilpassa medisinering, men det finst ei forklaring:

– Vi lagar modellar som er baserte på mange målingar hjå eit stort tal pasientar. Ved å samanlikna dine verdiar med andre, ser vi kva som antakeleg vil passa best for deg, seier Hovd.

– Mengda av tilgjengelege helsedata veks nesten dagleg. Modellane bidrar blant anna til å optimalisera legemiddelbehandlinga for nyretransplanterte. Etter ein slik transplantasjon endrar farmakokinetikken seg veldig. Kroppen har fått eit nytt organ og kan begynna å kvitta seg med avfallsstoff.

– Med denne typen infrastruktur kan vi utvikla større og meir komplekse modellar enn før, seier Markus Herberg Hovd.
– Med denne typen infrastruktur kan vi utvikla større og meir komplekse modellar enn før, seier Markus Herberg Hovd.

Infrastruktur for tungrekning

I starten då ein utvikla slike modellar, var datamengda så lita at maskinkraft ikkje var nokon flaskehals. Men etter kvart har ein fått så mykje data å putta inn i modellane at ein vanleg PC ikkje strekkjer til.

Senter for informasjonsteknologi ved Universitetet i Oslo la ned tungrekneanlegget Abel tidlegare i år. Sjølv om dei ikkje kunne hjelpa direkte, viste dei forskarane vidare til selskapet Uninett Sigma2. Der var det hjelp å få.

Uninett er eit statleg aksjeselskap som utviklar og driftar infrastruktur for digitalisering for forsking og utdanning i Noreg. Dotterselskapet Sigma2 har nasjonalt ansvar for å tilby ein infrastruktur for tungrekning innan forsking, med til dømes superdatamaskiner. Sigma2 er eit samarbeid mellom Noregs forskingsråd og dei fire eldste universiteta i Noreg, i Bergen, Oslo, Trondheim og Tromsø.

– Vi søkte om avansert brukarstøtte. Saman optimaliserte vi programmet som vi brukar for å bruka tungrekneanlegget, og no går det så det susar, seier Hovd.

Større og meir komplekse modellar

I alle fall om ein ser litt stort på kva det inneber å susa i denne samanhengen. Ein modell som det tok 14 dagar å køyra på ein vanleg maskin, er no korta ned til tre dagar på tungrekneanlegget. At det framleis tek såpass lang tid, seier sitt om kor komplekse forskarane sine modellar er.

Eitt døme på ei utrekning som kravde mykje kapasitet var då forskarane køyrde 5000 konsentrasjonsmålingar frå 100 pasientar som dei hadde fylgd i to år. Det er eit enormt datasett i denne samanhengen. Andre studiar ser kanskje på 20–40 pasientar over eit kortare tidsrom.

– Utan bistanden vi får til tungrekning, hadde dette vore ein langdryg prosess, men med tilgang til denne typen infrastruktur er det mogleg for oss å utvikla større og meir komplekse modellar enn før, seier Hovd.