Persistent Systems a NVIDIA Partnerství pro urychlení objevování léků poháněných umělou inteligencí

Persistent Systems oznámila nové partnerství s NVIDIA zaměřené na zlepšení způsobu, jakým jsou léky objevovány, testovány a uváděny na trh. Partnerství se zaměřuje na kombinování inženýrských znalostí Persistent s umělou inteligencí NVIDIA za účelem posunutí počítačového objevování léků za hranice experimentů a do produkčních prostředí.

V jádru iniciativy je zaměřena na dlouholetou úzkou místa ve zdravotnictví: ranou fázi objevování léků. Tato fáze je tradičně pomalá, nákladná a silně závislá na laboratorních pracích. Přesunutím větší části tohoto procesu do high-fidelity simulací poháněných umělou inteligencí obě společnosti cílí na zkrácení časových rámců a zlepšení pravděpodobnosti úspěchu v pozdějších fázích.

Od mokrých laboratoří k objevování vedenému simulacemi

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

Místo počáteční syntézy sloučenin a testování v laboratoři mohou výzkumníci simulovat molekulární chování, jako je afinita vazby, stabilita a chemické interakce, před tím, 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 metodě pokus-omyl k rozhodnutím vedeným simulacemi, kde umělá inteligence funguje jako první vrstva validace.

Agentic umělá inteligence vstupuje do workflow objevování léků

Jedním z nejvýznamnějších aspektů partnerství je zavedení agentic systémů umělé inteligence do procesu objevování. Používaje rámec NeMo a agent toolkit společnosti NVIDIA, Persistent vyvíjí agenty umělé inteligence, které mohou spravovat a koordinovat různé fáze výzkumu.

Tyto systémy nepřetržitě analyzují výstupy simulací, prioritizují slibné molekulární kandidáty a doporučují další kroky pro experimentální validaci. Místo toho, aby fungovaly jako izolované nástroje, fungují jako propojené rozhodovací vrstvy, které umožňují, aby poznatky z jedné fáze informovaly další. Tím se vytváří dynamičtější a responsivnější výzkumný workflow, zejména cenný ve prostředích, kde musí být současně hodnoceny多 proměnné.

NVIDIA: Infrastruktura a doménově specifická umělá inteligence

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

Tato infrastruktura umožňuje reálnou simulaci a inferenci v měřítku, zatímco zachovává úroveň spolehlivosti požadovanou v regulovaných zdravotnických prostředích. Umožňuje také, aby výstupy umělé inteligence byly přímo vloženy do podnikových systémů, což z nich dělá akční spíše než čistě experimentální.

Překlenutí mezery mezi experimenty umělé inteligence a produkčními prostředími

Opakující se výzva v podnikovém přijetí umělé inteligence je mezera mezi pilotními projekty a reálným nasazením. Mnohé organizace úspěšně experimentují s modely umělé inteligence, ale potýkají se s jejich integrací do kritických pracovních postupů.

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

Co toto signalizuje pro budoucnost vývoje léků

Širší implikace tohoto partnerství je posun směrem k hybridním modelům objevování, kde digitální simulace a fyzické experimenty fungují společně spíše než v samostatných fázích. Raná fáze výzkumu by mohla být výrazně urychlena, protože simulace nahrazují velkou část počáteční laboratorní práce, umožňujíc týmu testovat a rafinovat nápady mnohem vyšší rychlostí.

Snižování počtu neúspěšných experimentů má potenciál snížit náklady a zlepšit efektivitu celého vývojového procesu. Současně schopnost rychle iterovat na molekulární návrhy otevírá dveře k více cílené a personalizované terapii.

Zásadnějším způsobem to odráží hlubší transformaci, jak je prováděn vědecký výzkum. Umělá inteligence již není pouze podpůrným nástrojem, ale začíná tvarovat strukturu objevování samého. Jak se zlepšuje přesnost simulace a agentic systémy se stávají schopnějšími, hranice mezi počítačovým modelováním a reálným experimentem se dále rozostřuje, ukazujíc na budoucnost, kde většina raného vědeckého procesu probíhá in silico, než se vůbec dostane do laboratoře.