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

Persistent Systems heeft een nieuwe samenwerking met NVIDIA (NVDA ) aangekondigd 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 engineeringsdeskundigheid met NVIDIA’s AI-infrastructuur om computationele geneesmiddelontdekking verder te brengen dan experimenten en naar productieomgevingen.

Het initiatief richt zich op het aanpakken van een langdurige bottleneck in de gezondheidszorg: de vroege fase van geneesmiddelontdekking. Deze fase is traditioneel langzaam, duur en zwaar afhankelijk van fysiek laboratoriumwerk. Door meer van dit proces in hoge-fidelitysimulaties te verplaatsen die worden aangedreven door AI, beogen beide bedrijven de tijdslijnen te verkorten en de kans op succes verderop in het proces te verbeteren.

Van natte laboratoria naar simulatie-gedreven 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 geneesmiddelkandidaten 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 laagwaardige kandidaten vroeg in het proces uit te filteren.

Als resultaat verschuift men van trial-and-error-experimenten naar simulatie-gedreven besluitvorming, waarbij AI fungeert als een eerste laag van validatie.

Agentic AI komt de geneesmiddelontdekking workflow binnen

Een van de opvallendste 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 stadia van onderzoek kunnen beheren en coördineren.

Deze systemen analyseren voortdurend simuleringsuitvoer, prioriteren veelbelovende moleculaire kandidaten en bevelen de volgende stappen aan voor experimentele validatie. In plaats van als geïsoleerde instrumenten te functioneren, opereren ze als verbonden besluitlagen die inzichten van het ene stadium naar het andere laten informeren. Dit creëert een meer dynamische en responsieve onderzoeksworkflow, vooral waardevol in omgevingen waar meerdere variabelen tegelijk moeten worden geëvalueerd.

NVIDIA’s: Infrastructuur en domeinspecifieke AI

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

Deze infrastructuur maakt real-time simuleren 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 rechtstreeks in bedrijfssystemen te worden ingebed, waardoor ze actiegericht worden in plaats van puur experimenteel.

De kloof tussen AI-experimenten en productie overbruggen

Een terugkerend uitdaging in ondernemingsbrede AI-adoptie is de kloof tussen pilotprojecten en echte implementatie. Veel organisaties experimenteren met succes met AI-modellen, maar worstelen met het integreren ervan in missiecritische workflows.

Deze samenwerking legt duidelijk de nadruk op het overbruggen van deze kloof door systemen te ontwerpen die vanaf het begin productieklaar zijn. Het doel is om AI rechtstreeks in onderzoekspijplijnen in te bedden, zodat simulaties en inzichten onmiddellijk laboratoriumwerk in de echte wereld kunnen beïnvloeden.

Wat dit betekent voor de toekomst van geneesmiddelontwikkeling

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. Vroege onderzoeksfasen kunnen aanzienlijk sneller worden gemaakt als simulaties een groot deel van het initiële laboratoriumwerk vervangen, waardoor teams ideeën op veel hogere snelheid kunnen testen en verfijnen.

Het verminderen van het aantal mislukte experimenten kan de kosten verlagen en de efficiëntie van de hele ontwikkelingspijplijn verbeteren. Tegelijkertijd opent de mogelijkheid om snel te itereren op moleculaire ontwerpen de deur naar 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 instrument, maar begint de structuur van 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, wat wijst op een toekomst waarin een groot deel van het vroege wetenschappelijke proces in silico plaatsvindt voordat het ooit het laboratorium bereikt.