ํํธ๋์ญ
์ง์์ ์ธ ์์คํ ๊ณผ NVIDIA, AI ๊ธฐ๋ฐ ์์ฝํ ๋ฐ๊ฒฌ ๊ฐ์ํ ์ํด ํํธ๋์ญ ์ฒด๊ฒฐ
Persistent Systems는 의약품이 발견되고 테스트되고 시장에 출시되는 방식을 발전시키기 위한 새로운 협력을 위해 NVIDIA와 파트너십을 발표했습니다. 이 파트너십은 Persistent의 엔지니어링 전문성과 NVIDIA의 AI 인프라를 결합하여 계산 기반 의약품 발견을 실험을 넘어 생산 환경으로 推進하는 것을 목표로 합니다.
이 이니셔티브의 핵심은 의료 분야에서 오랜 시간 존재해 온 병목 현상을 해결하는 것입니다. 즉, 초기 의약품 발견 단계는 전통적으로 느리고 비용이 많이 들며 물리적 실험실 작업에 크게 의존합니다. AI를 활용한 고신뢰도 시뮬레이션을 통해 이 프로세스의 일부를 디지털로 전환함으로써, 두 회사는 타임라인을 줄이고 성공 확률을 높이기 위해 노력하고 있습니다.
웻 랩에서 시뮬레이션 기반 발견으로
협력의 핵심 구성 요소는 Persistent가 새로 개발한 Generative Molecules and Virtual Screening (GenMolIVS) 솔루션입니다. NVIDIA의 BioNeMo 플랫폼을 기반으로 하는 이 시스템은 화학 및 생물학 데이터에 학습된 생성적 AI 모델을 사용하여 잠재적인 의약품 후보물을 디지털로 설계하고 평가합니다.
연구자들은 물리적 실험실에서 합성하고 테스트하는 대신, 분자 결합 친화도, 안정성, 화학적 상호 작용과 같은 분자 행동을 시뮬레이션하여 초기에 자원 투입을 결정할 수 있습니다. 이 접근 방식은 팀이 더 큰 설계 공간을 탐색하면서 초기에 낮은 확률의 후보자를 걸러낼 수 있도록 합니다.
결과적으로 시도와 오류의 실험에서 시뮬레이션 기반 의사 결정으로의 전환을 가져옵니다. 여기서 AI는 첫 번째 계층의 유효성 검사로 작용합니다.
에이전트 AI의 의약품 발견 워크플로우 참여
파트너십의 더 주목할만한 측면 중 하나는 에이전트 AI 시스템이 발견 파이프라인에 도입된다는 것입니다. NVIDIA의 NeMo 프레임워크와 에이전트 툴킷을 사용하여 Persistent는 연구의 다양한 단계를 관리하고 조정할 수 있는 AI 에이전트를 개발하고 있습니다.
이 시스템은 시뮬레이션 출력을 지속적으로 분석하고, 유망한 분자 후보자를 우선순위로 지정하며, 실험적 검증을 위한 다음 단계를 추천합니다. 분리된 도구로 작동하는 대신,它们는 다른 단계에서 얻은 통찰력을 다음 단계에 알려주는 상호 연결된 의사 결정 계층으로 작용합니다. 이는 여러 변수를 동시에 평가해야 하는 환경에서 특히 유용한 더 동적이고 반응성 있는 연구 워크플로우를 만듭니다.
NVIDIA의 인프라 및 도메인 특정 AI
NVIDIA의 기여는 생명 과학 응용 프로그램을 위한 완전한 스택 AI 플랫폼을 제공하는 것으로, 이는 도메인 특정 모델 훈련을 위한 BioNeMo, 고급 추론을 위한 Nemotron 모델, 확장 가능한 배포를 위한 NIM 마이크로 서비스를 포함합니다.
이 인프라는 규제된 의료 환경에서 요구되는 신뢰성 수준을 유지하면서 실시간 시뮬레이션과 추론을 대규모로 제공할 수 있습니다. 또한 AI 출력을 직접 기업 시스템에 내장하여 실험적인 것이 아니라 작동 가능한 결과를 제공할 수 있습니다.
AI 실험과 생산 간의 격차 해소
엔터프라이즈 AI 채택에서 반복되는 도전은 파일럿 프로젝트와 실제 배포 간의 격차입니다. 많은 조직은 AI 모델을 실험적으로 성공적으로 사용하지만 실제 워크플로우에 통합하는 데 어려움을 겪습니다.
이 협력은 초기부터 생산 준비가 된 시스템을 설계하여 이 격차를 메우는 데 중점을 두고 있습니다. 목표는 연구 파이프라인에 AI를 직접 내장하여 시뮬레이션과 통찰력이 실제 실험실 작업에 즉시 영향을 미칠 수 있도록 하는 것입니다.
의약품 개발 미래를 위한 의미
이 파트너십의 더 넓은 의미는 디지털 시뮬레이션과 물리적 실험이 별도의 단계가 아닌 함께 작동하는 하이브리드 발견 모델로의 전환입니다. 초기 연구는 초기 실험실 작업의 상당 부분을 시뮬레이션이 대체함으로써 훨씬 더 빠르게 진행될 수 있습니다. 팀은 아이디어를 테스트하고 개선할 수 있는 속도가 훨씬 더 빠르기 때문에 초기 실험의 실패 횟수를 줄임으로써 비용을 낮추고 개발 파이프라인의 효율성을 향상시킬 수 있습니다.
동시에 분자 설계를 빠르게 반복할 수 있는 능력은 더 타겟팅되고 개인화된 치료법을 열어줍니다. 더 근본적으로, 이는 과학 연구가 수행되는 방식에 대한 더 깊은 변화를 반영합니다. AI는 더 이상 단순한 지원 도구가 아니라 발견 자체의 구조를 형성하기 시작합니다. 시뮬레이션 정확도가 개선되고 에이전트 시스템이 더 능숙해짐에 따라, 계산 모델링과 실제 실험 사이의 선은 계속模糊해지며, 초기 과학적 프로세스의 대부분이 실험실에 도달하기 전에 실리카에서 발생하는 미래를 향해 나아가고 있습니다.
