Persistent Systems en NVIDIA gaan samenwerken om AI-gedreven geneesmiddelenontdekking te versnellen

Persistent Systems heeft een nieuwe samenwerking aangekondigd met NVIDIA om de manier waarop geneesmiddelen worden ontdekt, getest en op de markt gebracht, te verbeteren. De samenwerking richt zich op het combineren van Persistent’s ingenieursdeskundigheid met NVIDIA’s AI-infrastructuur om computationele geneesmiddelenontdekking verder te brengen dan experimenten en naar productieomgevingen.

In wezen richt het initiatief zich op een langdurige bottleneck in de gezondheidszorg: de vroege fase van geneesmiddelenontdekking. Deze fase is traditioneel langzaam, duur en sterk afhankelijk van fysiek laboratoriumwerk. Door meer van dit proces te verplaatsen naar hoogwaardige simulaties die worden aangedreven door AI, mikken beide bedrijven op het verkorten van de tijdslijnen en het verbeteren van de kans op succes in latere stadia.

Van natte laboratoria naar simulatiegeleide ontdekking

Een centraal onderdeel van de samenwerking is Persistent’s onlangs ontwikkelde Generative Molecules and Virtual Screening (GenMolIVS) oplossing. Gebouwd op NVIDIA’s BioNeMo platform, gebruikt het systeem generatieve AI-modellen die zijn getraind op chemische en biologische gegevens om potentiële geneesmiddelenkandidaten digitaal te ontwerpen en te evalueren.

In plaats van verbindingen te synthetiseren en te testen in een laboratorium vanaf het begin, kunnen onderzoekers het moleculaire gedrag simuleren, zoals bindingaffiniteit, stabiliteit en chemische interacties, voordat ze middelen toewijzen aan fysieke experimenten. Deze benadering stelt teams in staat om een veel grotere ontwerpruimte te verkennen en kandidaten met een lage waarschijnlijkheid vroeg in het proces uit te filteren.

Het resultaat is een verschuiving van trial-and-error-experimenten naar simulatiegeleide besluitvorming, waarbij AI fungeert als een eerste laag van validatie.

Agentic AI komt de geneesmiddelenontdekkingsworkflow binnen

Een van de meest opvallende aspecten van de samenwerking is de introductie van agentic AI-systemen in de ontdekkingspijplijn. Met behulp van NVIDIA’s NeMo framework en agent toolkit, ontwikkelt Persistent AI-agents die verschillende onderzoeksfasen kunnen beheren en coördineren.

Deze systemen analyseren voortdurend simuleringsuitvoer, prioriteren veelbelovende moleculaire kandidaten en adviseren over de volgende stappen voor experimentele validatie. In plaats van als geïsoleerde tools te functioneren, opereren ze als verbonden besluitvormingslagen die inzichten uit een stadium toelaten om het volgende te informeren. Dit creëert een meer dynamische en responsieve onderzoeksworkflow, vooral waardevol in omgevingen waar meerdere variabelen moeten worden geëvalueerd.

NVIDIA’s: infrastructuur en domeinspecifieke AI

NVIDIA’s bijdrage gaat verder dan pure rekenkracht. Het bedrijf biedt een volledige AI-platform aan dat is aangepast voor levenswetenschappelijke toepassingen, waaronder BioNeMo voor domeinspecifieke modeltraining, Nemotron modellen voor geavanceerde redenering en NIM-microservices voor schaalbare implementatie.

Deze infrastructuur maakt real-time simulatie en inferentie mogelijk op grote schaal, terwijl het niveau van betrouwbaarheid wordt gehandhaafd dat vereist is in gereguleerde gezondheidsomgevingen. Het stelt AI-uitvoer ook in staat om direct in bedrijfssystemen te worden geïntegreerd, waardoor ze actiegericht worden in plaats van puur experimenteel.

De kloof tussen AI-experimenten en productie overbruggen

Een terugkerend probleem bij de adoptie van AI in bedrijven is de kloof tussen pilotprojecten en daadwerkelijke implementatie. Veel organisaties experimenteren met succes met AI-modellen, maar hebben moeite om ze te integreren in kritieke workflows.

Deze samenwerking legt een duidelijke nadruk op het overbruggen van die kloof door systemen te ontwerpen die vanaf het begin productieklaar zijn. Het doel is om AI direct in onderzoekspijplijnen in te bedden, waardoor simulaties en inzichten onmiddellijk invloed kunnen hebben op echt laboratoriumwerk.

Wat dit betekent voor de toekomst van geneesmiddelenontwikkeling

De bredere implicatie van deze samenwerking is een verschuiving naar hybride ontdekkingsmodellen waarin digitale simulatie en fysiek experiment samenwerken in plaats van in afzonderlijke stadia. Vroeg onderzoek kan aanzienlijk sneller worden door simulaties te laten vervangen van een groot deel van het initiële laboratoriumwerk, waardoor teams ideeën kunnen testen en verfijnen met een veel hogere snelheid.

Het verminderen van het aantal mislukte experimenten heeft het potentieel om de kosten te verlagen en de efficiëntie van de hele ontwikkelingspijplijn te verbeteren. Tegelijkertijd biedt de mogelijkheid om snel te itereren op moleculaire ontwerpen de deur open voor meer gerichte en gepersonaliseerde therapieën.

Meer fundamenteel weerspiegelt dit een diepere transformatie in de manier waarop wetenschappelijk onderzoek wordt uitgevoerd. AI is niet langer alleen een ondersteunend hulpmiddel, maar begint de structuur van de ontdekking zelf vorm te geven. Naarmate de nauwkeurigheid van simulaties verbetert en agentic systemen capabeler worden, vervaagt de grens tussen computationele modellering en echte experimenten, waardoor een toekomst wordt aangegeven waarin een groot deel van het vroege wetenschappelijke proces in silico plaatsvindt voordat het ooit het laboratorium bereikt.