Persistent Systems a NVIDIA Partnerství k urychlení objevování léčiv poháněných umělou inteligencí

Persistent Systems oznámily nové partnerství s NVIDIA (NVDA ), zaměřené na zlepšení způsobu, jakým jsou léčiva objevena, testována a uváděna na trh. Partnerství spočívá v kombinaci inženýrské odbornosti Persistent s umělou inteligencí NVIDIA, aby se urychlilo objevování léčiv za pomoci počítačových simulací a experimentů.

V jádru iniciativy je cílem překonat dlouhodobou překážku ve zdravotnictví: ranou fázi objevování léčiv. Tato fáze je tradičně pomalá, nákladná a silně závislá na fyzické laboratorní práci. Přesunutím větší části tohoto procesu do vysoce kvalitních simulací poháněných umělou inteligencí obě společnosti cílí na zkrácení časových rámců a zlepšení pravděpodobnosti úspěchu.

Od mokrých laboratoří k objevování na základě simulací

Klíčovou součástí partnerství je nově vyvinuté řešení Generative Molecules and Virtual Screening (GenMolIVS) od Persistent. Postavené na platformě BioNeMo od NVIDIA, systém využívá generativní modely umělé inteligence školené na chemických a biologických datech k navrhování a hodnocení potenciálních kandidátů na léčiva digitálně.

Místo syntézy sloučenin a testování v laboratoři od počátku mohou výzkumníci simulovat molekulární chování, jako je afinita vazby, stabilita a chemické interakce, předtím, než se zavážou do fyzických experimentů. Tento přístup umožňuje týmům prozkoumat mnohem větší návrhový prostor a filtrovat kandidáty s nízkou pravděpodobností úspěchu již na počátku procesu.

Výsledkem je posun od experimentů založených na zkouškách a omylech k rozhodnutím na základě simulací, kde umělá inteligence funguje jako první vrstva validace.

Agentic AI vstupuje do workflow objevování léčiv

Jedním z nejpozoruhodnějších aspektů partnerství je zavedení agentic systémů umělé inteligence do procesu objevování. Pomocí frameworku NeMo a agent toolkit od NVIDIA vyvíjí Persistent agentic systémy, které mohou spravovat a koordinovat různé fáze výzkumu.

Tyto systémy neustále analyzují výstupy simulací, prioritizují slibné molekulární kandidáty a doporučují další kroky pro experimentální validaci. Namísto fungování jako izolované nástroje fungují jako propojené rozhodovací vrstvy, které umožňují, aby poznatky z jedné fáze informovaly další. Toto vytváří dynamický a responsivní výzkumný workflow, zejména cenný v prostředích, kde musí být hodnoceny multiple proměnné současně.

NVIDIA: Infrastruktura a doménově specifická umělá inteligence

Příspěvek NVIDIA sahá za hranice pouhé výpočetní síly. Společnost poskytuje plnohodnotnou platformu umělé inteligence přizpůsobenou pro aplikace ve zdravotnictví, včetně BioNeMo pro školení doménově specifických modelů, Nemotron modelů pro pokročilé uvažování a NIM mikroslužeb pro škálovatelné nasazení.

Tato infrastruktura umožňuje reálné simulace a inferenci v měřítku, zatímco udržuje úroveň spolehlivosti požadovanou v regulovaných zdravotnických prostředích. Umožňuje také, aby výstupy umělé inteligence byly integrovány přímo do podnikových systémů, činí je akčními spíše než čistě experimentálními.

Překlenutí mezery mezi experimenty s umělou inteligencí a produkcí

Jednou z opakujících se výzev v podnikovém přijetí umělé inteligence je mezera mezi pilotními projekty a reálným nasazením. Mnoho organizací úspěšně experimentuje s modely umělé inteligence, ale zápasí s jejich integrací do kriticky důležitých workflow.

Toto partnerství klade jasný důraz na překlenutí této mezery navrhnutím systémů, které jsou od počátku připraveny pro produkci. Cílem je zabudovat umělou inteligenci přímo do výzkumných pipeline, zajišťujíc, aby simulace a poznatky mohly okamžitě ovlivňovat reálnou laboratorní práci.

Co to signalizuje pro budoucnost vývoje léčiv

Širší implikace tohoto partnerství je posun k hybridním modelům objevování, kde digitální simulace a fyzické experimenty fungují společně spíše než v oddělených fázích. Raná fáze výzkumu by mohla být podstatně urychlena, jelikož simulace nahrazují velkou část počáteční laboratorní práce, umožňujíc týmům testovat a vylepšovat nápady mnohem rychleji.

Snižování počtu neúspěšných experimentů má potenciál snížit náklady a zlepšit efektivitu celého vývojového procesu. Současně otevírá možnost rychlé iterace na molekulární návrhy dveře k více cíleným a personalizovaným terapiím.

Zásadněji, toto odráží hlubší transformaci, jak je prováděn vědecký výzkum. Umělá inteligence již není pouze podpůrným nástrojem, ale začíná formovat strukturu objevování sama o sobě. Jak se zlepšuje přesnost simulací a agentic systémy se stávají schopnějšími, hranice mezi počítačovým modelováním a reálným experimentováním se stále více stírá, ukazujíc na budoucnost, kde většina raného vědeckého procesu probíhá in silico, než se dostane do laboratoře.