Persistent Systems dan NVIDIA Bermitra untuk Percepat Penemuan Obat dengan AI

Persistent Systems telah mengumumkan kolaborasi baru dengan NVIDIA (NVDA ) yang bertujuan untuk memajukan cara penemuan, pengujian, dan pemasaran obat. Kemitraan ini berfokus pada menggabungkan keahlian teknik Persistent dengan infrastruktur AI NVIDIA untuk mendorong penemuan obat komputasi melampaui eksperimen dan ke lingkungan produksi.

Di intinya, inisiatif ini menargetkan bottleneck lama di bidang kesehatan: penemuan obat tahap awal. Fase ini secara tradisional lambat, mahal, dan sangat bergantung pada pekerjaan laboratorium fisik. Dengan memindahkan lebih banyak proses tersebut ke dalam simulasi berbasis AI, kedua perusahaan bertujuan untuk mengurangi waktu dan meningkatkan kemungkinan keberhasilan di hilir.

Dari Laboratorium Basah ke Penemuan Berbasis Simulasi

Sebuah komponen sentral dari kolaborasi ini adalah solusi Generative Molecules and Virtual Screening (GenMolIVS) yang baru dikembangkan oleh Persistent. Dibangun di atas platform BioNeMo NVIDIA, sistem ini menggunakan model AI generatif yang dilatih pada data kimia dan biologis untuk merancang dan mengevaluasi kandidat obat potensial secara digital.

Sebagai gantinya untuk mensintesis senyawa dan mengujinya di laboratorium dari awal, peneliti dapat mensimulasikan perilaku molekul seperti afinitas ikatan, stabilitas, dan interaksi kimia sebelum mengkomitmen sumber daya untuk eksperimen fisik. Pendekatan ini memungkinkan tim untuk menjelajahi ruang desain yang jauh lebih besar sambil menyaring kandidat dengan kemungkinan rendah pada tahap awal proses.

Hasilnya adalah pergeseran dari eksperimen trial-and-error ke pengambilan keputusan berbasis simulasi, di mana AI bertindak sebagai lapisan validasi pertama.

AI Agentic Memasuki Alur Kerja Penemuan Obat

Salah satu aspek paling mencolok dari kemitraan ini adalah pengenalan sistem AI agentic ke dalam pipa penemuan. Menggunakan kerangka NeMo NVIDIA dan toolkit agen, Persistent mengembangkan agen AI yang dapat mengelola dan mengoordinasikan berbagai tahap penelitian.

Sistem ini secara terus-menerus menganalisis output simulasi, memprioritaskan kandidat molekul yang menjanjikan, dan merekomendasikan langkah berikutnya untuk validasi eksperimental. Sebagai gantinya untuk berfungsi sebagai alat terisolasi, mereka beroperasi sebagai lapisan keputusan terhubung yang memungkinkan wawasan dari satu tahap untuk mempengaruhi tahap berikutnya. Ini menciptakan alur kerja penelitian yang lebih dinamis dan responsif, terutama berharga dalam lingkungan di mana beberapa variabel harus dievaluasi secara bersamaan.

Infrastruktur dan AI Domain-Spesifik NVIDIA

Kontribusi NVIDIA melampaui kekuatan komputasi murni. Perusahaan menyediakan platform AI full-stack yang disesuaikan untuk aplikasi ilmu kehidupan, termasuk BioNeMo untuk pelatihan model domain-spesifik, Nemotron untuk alasan lanjutan, dan NIM microservices untuk penerapan skala besar.

Infrastruktur ini memungkinkan simulasi dan inferensi waktu nyata pada skala besar sambil mempertahankan tingkat keandalan yang diperlukan dalam lingkungan kesehatan yang diatur. Ini juga memungkinkan output AI untuk disematkan langsung ke dalam sistem perusahaan, membuatnya dapat diambil tindakan daripada hanya eksperimental.

Mengatasi Celah Antara Eksperimen AI dan Produksi

Sebuah tantangan berulang dalam adopsi AI perusahaan adalah celah antara proyek pilot dan penerapan dunia nyata. Banyak organisasi berhasil bereksperimen dengan model AI tetapi berjuang untuk mengintegrasikan mereka ke dalam alur kerja kritis.

Kolaborasi ini menekankan pada menutup celah tersebut dengan merancang sistem yang siap produksi dari awal. Tujuannya adalah untuk menyematkan AI langsung ke dalam pipa penelitian, memastikan bahwa simulasi dan wawasan dapat segera mempengaruhi pekerjaan laboratorium dunia nyata.

Apa yang Ditandai untuk Masa Depan Pengembangan Obat

Implikasi yang lebih luas dari kemitraan ini adalah pergeseran menuju model penemuan hibrida di mana simulasi digital dan eksperimen fisik beroperasi bersama-sama daripada dalam tahap terpisah. Penelitian tahap awal dapat menjadi jauh lebih cepat karena simulasi menggantikan sebagian besar pekerjaan laboratorium awal, memungkinkan tim untuk menguji dan memperbaiki ide dengan kecepatan yang jauh lebih tinggi.

Mengurangi jumlah eksperimen yang gagal memiliki potensi untuk menurunkan biaya sambil meningkatkan efisiensi seluruh pipa pengembangan. Pada saat yang sama, kemampuan untuk dengan cepat mengiterasi desain molekul membuka pintu untuk terapi yang lebih terarah dan personalisasi.

Lebih mendasar, ini mencerminkan transformasi yang lebih dalam dalam cara penelitian ilmiah dilakukan. AI tidak lagi hanya menjadi alat pendukung tetapi mulai membentuk struktur penemuan itu sendiri. Seiring dengan peningkatan akurasi simulasi dan kemampuan sistem agentic, garis antara pemodelan komputasi dan eksperimen dunia nyata terus memburuk, menunjuk ke arah masa depan di mana sebagian besar proses ilmiah awal terjadi dalam silico sebelum mencapai laboratorium.