Persistent Systems i NVIDIA Partnerzy w Przyspieszaniu Odkryć Leków Napędzanych przez Sztuczną Inteligencję

Persistent Systems ogłosiło nowe współpracy z NVIDIA w celu przyspieszenia procesu odkrywania, testowania i wprowadzania leków na rynek. Partnerstwo koncentruje się na połączeniu doświadczenia inżynieryjnego Persistent z infrastrukturą AI NVIDIA w celu przesunięcia odkryć leków opartych na obliczeniach poza eksperymenty i do środowisk produkcyjnych.

Podstawowym celem inicjatywy jest długotrwały problem w ochronie zdrowia: wczesne odkrywanie leków. Faza ta tradycyjnie jest powolna, droga i silnie zależna od pracy laboratoryjnej. Przenosząc większą część tego procesu do symulacji o wysokiej wierności napędzanych przez AI, obie firmy mają na celu skrócenie czasu realizacji, jednocześnie poprawiając prawdopodobieństwo powodzenia w dalszych etapach.

Od Laboratoriów Chemicznych do Odkryć opartych na Symulacjach

Kluczowym elementem współpracy jest nowo opracowana przez Persistent rozwiązanie Generative Molecules and Virtual Screening (GenMolIVS). Zbudowane na platformie BioNeMo NVIDIA, system wykorzystuje modele AI generatywne przeszkolone na danych chemicznych i biologicznych do cyfrowego projektowania i oceny potencjalnych kandydatów na leki.

Zamiast syntezować związki i testować je w laboratorium od samego początku, badacze mogą symulować zachowanie molekularne, takie jak powinowactwo wiązania, stabilność i interakcje chemiczne, zanim zaangażują się w fizyczne eksperymenty. Podejście to pozwala zespołom na eksplorację znacznie większej przestrzeni projektowej, jednocześnie wczesne wykluczając kandydatów o niskim prawdopodobieństwie powodzenia.

W efekcie następuje przesunięcie od eksperymentowania prób i błędów do podejmowania decyzji opartych na symulacjach, gdzie AI działa jako pierwsza warstwa walidacji.

Agenci AI w Procesie Odkrywania Leków

Jednym z bardziej godnych uwagi aspektów partnerstwa jest wprowadzenie systemów AI agenci do potoku odkrywania. Wykorzystując framework NeMo NVIDIA i zestaw narzędzi agenta, Persistent rozwija agenci AI, które mogą zarządzać i koordynować różne etapy badań.

Te systemy ciągle analizują dane wyjściowe symulacji, priorytetowo traktując obiecujące kandydatów molekularnych i rekomendują następne kroki w celu eksperymentalnej weryfikacji. Zamiast funkcjonować jako izolowane narzędzia, one działają jako połączone warstwy decyzyjne, które pozwalają na to, by wnioski z jednego etapu informowały o następnym. Tworzy to bardziej dynamiczny i responsywny przepływ badań, szczególnie cenny w środowiskach, w których muszą być ocenione jednocześnie wiele zmiennych.

NVIDIA: Infrastruktura i AI Specyficzna dla Domeny

Wkład NVIDIA wykracza poza surową moc obliczeniową. Firma zapewnia pełną platformę AI dostosowaną do aplikacji związanych z naukami o życiu, w tym BioNeMo do przeszkolenia modeli specyficznych dla domeny, Nemotron modeli do zaawansowanego wnioskowania oraz NIM mikrousług do skalowalnego wdrożenia.

Infrastruktura ta umożliwia symulację i inferencję w czasie rzeczywistym w skali, jednocześnie utrzymując poziom niezawodności wymagany w regulowanych środowiskach opieki zdrowotnej. Pozwala również na bezpośrednie osadzanie danych wyjściowych AI w systemach przedsiębiorstwa, czyniąc je działającymi, a nie tylko eksperymentalnymi.

Przesunięcie Przeszkody Między Eksperymentami AI a Produkcją

Powtarzającym się wyzwaniem w przyjęciu AI w przedsiębiorstwach jest przepaść między projektami pilotażowymi a wdrożeniem w świecie rzeczywistym. Wiele organizacji pomyślnie eksperymentuje z modelami AI, ale mają trudności z integracją ich w krytyczne dla misji przepływy pracy.

Współpraca ta kładzie wyraźny nacisk na zamykanie tej luki, projektując systemy, które są gotowe do produkcji od samego początku. Celem jest osadzenie AI bezpośrednio w potokach badawczych, zapewniając, że symulacje i wnioski mogą natychmiast wpływać na rzeczywistą pracę laboratoryjną.

Co to Sygnalizuje dla Przyszłości Rozwoju Leków

Szersze implikacje tego partnerstwa to przesunięcie w kierunku hybrydowych modeli odkrywania, w których symulacja cyfrowa i eksperymenty fizyczne działają razem, a nie w oddzielnych etapach. Wczesne badania mogą stać się znacznie szybsze, ponieważ symulacje zastępują dużą część początkowych prac laboratoryjnych, pozwalając zespołom na testowanie i udoskonalanie pomysłów z znacznie większą szybkością.

Redukcja liczby nieudanych eksperymentów ma potencjał obniżenia kosztów, jednocześnie poprawiając wydajność całego potoku rozwoju. Równocześnie, zdolność do szybkiej iteracji projektów molekularnych otwiera drzwi do bardziej ukierunkowanych i personalizowanych terapii.

Co więcej podstawowe, odzwierciedla to głębszą transformację w tym, jak prowadzone są badania naukowe. AI nie jest już tylko narzędziem wspierającym, ale zaczyna kształtować strukturę samego odkrywania. W miarę poprawy dokładności symulacji i wzrostu możliwości systemów agenci, granica między modelowaniem obliczeniowym a eksperymentami rzeczywistymi nadal się zaciera, wskazując na przyszłość, w której większa część wczesnego procesu naukowego zachodzi w środowisku symulowanym, zanim kiedykolwiek dotrze do laboratorium.