Persistent Systems og NVIDIA indgår partnerskab for at accelerere AI-dreven lægemiddelforskning

Persistent Systems har annonceret et nyt samarbejde med NVIDIA med det formål at fremme, hvordan lægemidler opdages, testes og markedsføres. Partnerskabet fokuserer på at kombinere Persistent’s ingeniørkompetence med NVIDIA’s AI-infrastruktur for at føre beregningsbaseret 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, dyrekøbt og stærkt afhængig af fysisk laboratoriearbejde. Ved at flytte mere af denne proces over i højtydende simulationer drevet af AI, sigter begge virksomheder mod at reducere tidsrammerne, samtidig med at forbedre sandsynligheden for succes ned ad linjen.

Fra våde laboratorier til simulationsbaseret opdagelse

En central komponent i samarbejdet er Persistent’s nyligt udviklede Generative Molecules og Virtual Screening (GenMolIVS) løsning. Bygget på NVIDIA’s BioNeMo platform, bruger systemet generative AI-modeller 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 påbegynder fysisk eksperimentering. Denne tilgang tillader hold at udforske et langt større designrum, samtidig med at de filtrerer 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 indtager lægemiddelforskningsarbejdsgangen

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

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.

NVIDIA’s: Infrastruktur og domænespecifik AI

NVIDIA’s 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 microservices til skalerbar udvikling.

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

At brokke gapet mellem AI-eksperimenter og produktion

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

Dette samarbejde lægger en tydelig vægt på at lukke dette gap ved at designe systemer, der er produktionsklare fra starten. Målet er at integrere AI direkte i forskningsprocesser, hvilket sikrer, at simulationer og indsigt kan umiddelbart påvirke rigtige laboratoriearbejder.

Hvad dette signalerer for fremtidens lægemiddeludvikling

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

At reducere antallet af fejlede eksperimenter har potentialet til at sænke omkostningerne, samtidig med at forbedre effektiviteten i hele udviklingsprocessen. På samme tid åbner muligheden for at hurtigt iterere over molekylærdesigner døren til mere målrettede og personlige terapier.

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