我們正處于生物與醫學科學革命的風口浪尖。在生命科學領域，科學家和臨床醫師需要新一代計算能力的支持，發掘埋藏在海量復雜數據集中的有用洞察，從不斷增多的復雜數據中更快速地提取有用數據。

一個人類全基因組的測序，已經從需要幾周到可以在數小時內完成，費用也大幅下降到1000美元，而且很快還可能降低到100美元。這為人類了解最基本的生命過程打開了一扇窗，照亮了生物學的發展方向。我們有望了解疾病的形成機制，并將新藥研發工作從歷時多年、耗費數十億美元的試錯過程轉變為高效的數據驅動型工作流程。

然而，將這一愿景變為現實并非易事。我們面臨的最大難題之一，是如何有效地處理大規模測序儀生成的海量數據。目前，一臺測序儀每天可產生3TB的數據，而企業必須能夠存儲、保護和共享這些數據。一項研究估計，到2025年，人類將對1億至20億個個體基因組測序，這將產生200萬至4200萬TB的數據。

柏林自由大學的Knut Reinert教授和他的團隊正與英特爾合作，通過優化關鍵算法，以便在英特爾?多核和眾核處理器上高效運行，從而加速基因組分析。通過使用英特爾?至強?金牌6148處理器的基準測試對所取得的優勢進行量化，結果顯示，性能提升幅度達到1.6到2.7倍。優化后的代碼還可在大量內核上提供出色的可擴展性。

經過優化的SeqAn代碼利用了最新的英特爾?至強?金牌6148處理器中的高級矢量功能，性能較上一代處理器提升了1.6到2.7倍

經過優化的SeqAn代碼還可在英特爾?至強融核?眾核處理器7250的全部68個內核上提供出色的可擴展性

此外，要對“數據高峰”開展分析，必須結合龐大復雜且廣泛分布的成像、臨床、個人和環境數據集；系統和網絡必須更強大且更便宜，還必須具有充足的可擴展性，以支持不斷增長的數據量和算法復雜性。

傳統的CT和MRI掃描可提供有關骨骼和大腦血管的有用信息，但沒有太多關于軟組織的信息。彌散加權成像（DWI）通過測量水分子的自然運動來識別微結構和診斷神經回路的完整性，從而彌補了這一不足。

這項技術正在改變腦部疾病的研究和治療。哈佛醫學院放射學教授Simon Warfield利用彌散間隔成像（DCI）技術進一步改進了彌散加權成像，從而提供更細致、更準確的信息。他的團隊利用彌散間隔成像技術檢查正常大腦發育、腦震蕩、多發性硬化癥、自閉癥譜系障礙等。

每項彌散間隔成像研究可生成多達數GB的數據，最初的時候，圖像處理需要耗時40多個小時。Warfield教授和他的團隊使用英特爾?軟件工具對代碼進行了優化，現在，處理一項完整的研究僅需16分鐘，足以滿足臨床使用要求。這些經過優化的代碼包含在Insight Segmentation and Registration Toolkit*（ITK）庫中，供更多處理醫學成像數據的應用廣泛采用。

Warfield教授還在使用英特爾?工具和庫開發人工智能（AI）應用，可自動對數百幅圖像進行分類，以確定需要關注的部分。一旦這些解決方案得到大規模應用，將極大地提高我們理解、診斷和治療大腦相關疾病的能力。

讓科學探索沒有束縛，英特爾為科學家和臨床醫師提供多種資源應對挑戰，讓他們能夠快速地以更低的成本去整合和分析數據，將精力從計算機科學轉移到自己的專業學科上，讓創新應用不斷突破和落地，解決人類面臨的重大挑戰，推動生命科學領域數據驅動型創新的下一波浪潮。