Persistent Systems og NVIDIA indgår samarbejde for at fremskynde AI-drevet lægemiddelforskning

Persistent Systems har annonceret et nyt samarbejde med NVIDIA (NVDA ) med det formål at fremme, hvordan lægemidler opdages, testes og markedsføres. Samarbejdet fokuserer på at kombinere Persistents ingeniørkompetence med NVIDIAs AI-infrastruktur for at skubbe computergenereret lægemiddelforskning ud over eksperimenter og ind i produktionsmiljøer.

I sin kerne retter initiativet sig mod en langvarig flaskehals i sundhedssektoren: tidlig lægemiddelforskning. Denne fase er traditionelt langsom, dyr og stærkt afhængig af fysisk laboratoriearbejde. Ved at flytte mere af denne proces over i højtydende simulationer, der drives af AI, sigter begge virksomheder mod at reducere tidsrammer og forbedre sandsynligheden for succes ned ad linjen.

Fra våde laboratorier til simulationsbaseret opdagelse

En central komponent i samarbejdet er Persistents nyligt udviklede Generative Molecules and Virtual Screening (GenMolIVS)-løsning. Bygget på NVIDIAs BioNeMo-platform, bruger systemet generative AI-modeller, der er trænet på kemiske og biologiske data, til at designe og evaluere potentielle lægemiddelkandidater digitalt.

I stedet for at syntetisere forbindelser og teste dem i et laboratorium fra starten, kan forskere simulere molekylær adfærd, såsom bindingsevne, stabilitet og kemiske interaktioner, før de påtager sig fysisk eksperimentering. Dette tillader hold at udforske et langt større designrum og filtrere ud lav-sandsynlighedskandidater tidligt i processen.

Resultatet er en skift fra prøve-og-fejl-eksperimentering til simulationsbaseret beslutningstagning, hvor AI fungerer som en første valideringslag.

Agentbaseret AI går ind i lægemiddelforskningsarbejdsgangen

En af de mere bemærkelsesværdige aspekter af partnerskabet er introduktionen af agentbaserede AI-systemer i opdagelsesprocessen. Ved hjælp af NVIDIAs NeMo-rammeværk og agentværktøj, udvikler Persistent AI-agenter, der kan styre og koordinere forskellige forskningsfaser.

Disse systemer analyserer kontinuerligt simulationsoutput, prioriterer lovende molekylærkandidater og anbefaler næste skridt for eksperimentel validering. I stedet for at fungere som isolerede værktøjer, fungerer de som sammenhængende beslutningslag, der tillader indsigt fra ét stadium at informere det næste. Dette skaber en mere dynamisk og responsiv forskningsarbejdsgang, især værdifuld i miljøer, hvor multiple variabler skal vurderes samtidigt.

NVIDIAs: Infrastruktur og domænespecifik AI

NVIDIAs bidrag strækker sig ud over ren beregningskraft. Virksomheden tilbyder en fuldstændig AI-platform tilpasset til life sciences-applikationer, herunder BioNeMo til domænespecifik modeltræning, Nemotron-modeller til avanceret resonnering og NIM-mikrotjenester til skalerbar installation.

Denne infrastruktur muliggør realtids-simulation og inferens i stor skala, mens den opretholder det niveau af pålidelighed, der kræves i regulerede sundhedsomgivelser. Den tillader også AI-outputs at blive integreret direkte i virksomhedssystemer, hvilket gør dem handlebare i stedet for kun eksperimenterende.

At brobygge mellem AI-eksperimenter og produktion

En gentagne udfordring i virksomheds AI-adopteringsprocessen er gapet mellem pilotprojekter og rigtige installationsmiljøer. Mange organisationer har held med at eksperimentere med AI-modeller, men kæmper med at integrere dem i mission-kritiske arbejdsgange.

Dette samarbejde lægger tyngden på at lukke dette gap ved at designe systemer, der er klar til produktion fra starten. Målet er at integrere AI direkte i forskningsarbejdsgange, så simulationsresultater og indsigt kan umiddelbart påvirke rigtig laboratoriearbejde.

Hvad dette signalerer for fremtidens lægemiddeludvikling

Den bredere implikation af dette partnerskab er en skiftning mod hybrid-opdagelsesmodeller, hvor digital simulation og fysisk eksperimentering fungerer sammen i stedet for i separate faser. Tidlig forskning kan blive betydeligt hurtigere, da simulationer erstatter en stor del af den initiale laboratoriearbejde, hvilket tillader hold at teste og forfine idéer i en langt højere hastighed.

At reducere antallet af fejlslåede eksperimenter har potentialet til at sænke omkostningerne og forbedre effektiviteten i hele udviklingsprocessen. Samtidig åbner muligheden for at hurtigt iterere over molekylærdesigner døren til mere målrettede og personlige terapier.

Endnu mere grundlæggende repræsenterer dette en dybere transformation i, hvordan videnskabelig forskning udføres. AI er ikke længere kun et understøttende værktøj, men begynder at forme opdagelsesprocessens struktur. Da simulationsnøjagtighed forbedres og agentbaserede systemer bliver mere kapable, bliver grænsen mellem computermæssig modellering og rigtig eksperimentering mere og mere uklar, og peger mod en fremtid, hvor en stor del af den tidlige videnskabelige proces finder sted in silico, før den nogensinde når laboratoriet.