Persistent Systems dan NVIDIA Bermitra untuk Mempercepat Penemuan Obat yang Didorong oleh AI

Persistent Systems telah mengumumkan kerja sama baru dengan NVIDIA yang bertujuan untuk meningkatkan cara penemuan, pengujian, dan pengembangan 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 tradisionalnya lambat, mahal, dan sangat bergantung pada pekerjaan laboratorium fisik. Dengan memindahkan lebih banyak proses tersebut ke simulasi berfidelitas tinggi yang didorong oleh AI, kedua perusahaan ini bertujuan untuk mengurangi waktu dan meningkatkan kemungkinan keberhasilan di hilir.

Dari Laboratorium Basah ke Penemuan yang Dipimpin Simulasi

Komponen sentral dari kerja sama 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.

Alih-alih mensintesis senyawa dan mengujinya di laboratorium dari awal, peneliti dapat mensimulasikan perilaku molekul seperti afinitas ikatan, stabilitas, dan interaksi kimia sebelum mengkomitkan sumber daya untuk eksperimen fisik. Pendekatan ini memungkinkan tim untuk mengeksplorasi 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 yang dipimpin simulasi, di mana AI bertindak sebagai lapisan validasi pertama.

AI Agentic Memasuki Alur Kerja Penemuan Obat

Salah satu aspek paling menonjol 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 terus menganalisis output simulasi, memprioritaskan kandidat molekul yang menjanjikan, dan merekomendasikan langkah selanjutnya untuk validasi eksperimental. Alih-alih berfungsi sebagai alat yang terisolasi, mereka beroperasi sebagai lapisan keputusan yang 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 banyak variabel harus dievaluasi secara bersamaan.

NVIDIA: Infrastruktur dan AI Spesifik Domain

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

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 Jarak Antara Eksperimen AI dan Produksi

Salah satu tantangan berulang dalam adopsi AI perusahaan adalah jarak antara proyek pilot dan penerapan dunia nyata. Banyak organisasi berhasil bereksperimen dengan model AI tetapi mengalami kesulitan untuk mengintegrasikannya ke dalam alur kerja kritis.

Kerja sama ini menekankan pada penutupan kesenjangan 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 mengulang 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. Ketika akurasi simulasi meningkat dan sistem agentic menjadi lebih mampu, garis antara pemodelan komputasi dan eksperimen dunia nyata terus memburuk, menunjuk ke masa depan di mana sebagian besar proses ilmiah awal terjadi dalam silico sebelum mencapai laboratorium.