Persistent Systems och NVIDIA samarbetar för att påskynda AI-drivna läkemedelsupptäckter

Persistent Systems har tillkännagett ett nytt samarbete med NVIDIA (NVDA ) i syfte att förbättra hur läkemedel upptäcks, testas och marknadsförs. Samarbetet fokuserar på att kombinera Persistent’s ingenjörskompetens med NVIDIA’s AI-infrastruktur för att driva computermolékylära upptäckter bortom experiment och in i produktionsmiljöer.

I kärnan av initiativet ligger en långvarig flaskhals inom hälso- och sjukvården: tidig läkemedelsupptäckt. Denna fas är traditionellt sett långsam, dyr och starkt beroende av fysiska laboratoriearbeten. Genom att flytta mer av denna process till högfidelitets симуляtioner som drivs av AI, syftar båda företagen till att minska tidsramar samtidigt som sannolikheten för framgång förbättras nedströms.

Från våta laboratorier till simuleringsbaserad upptäckt

En central del av samarbetet är Persistent’s nyligen utvecklade Generativa Molekyler och Virtuell Skärmning (GenMolIVS) lösning. Byggd på NVIDIA’s BioNeMo plattform, använder systemet generativa AI-modeller som tränats på kemiska och biologiska data för att designa och utvärdera potentiella läkemedelskandidater digitalt.

I stället för att syntetisera föreningar och testa dem i ett laboratorium från början, kan forskare simulerar molekylärt beteende som bindningsaffinitet, stabilitet och kemiska interaktioner innan de ägnar resurser åt fysiska experiment. Detta tillvägagångssätt möjliggör för team att utforska en mycket större designrymd samtidigt som de filtrerar bort lågsannolika kandidater tidigt i processen.

Resultatet är en förskjutning från försök-och-fel-experiment till simuleringsbaserat beslutsfattande, där AI fungerar som en första valideringsnivå.

Agentbaserad AI träder in i läkemedelsupptäcktsarbetsflödet

En av de mer anmärkningsvärda aspekterna av partnerskapet är införandet av agentbaserade AI-system i upptäcktsprocessen. Med hjälp av NVIDIA’s NeMo ramverk och agentverktyg, utvecklar Persistent AI-agenter som kan hantera och samordna olika forskningsstadier.

Detta system analyserar kontinuerligt simuleringsutdata, prioriterar lovande molekylära kandidater och rekommenderar nästa steg för experimentell validering. I stället för att fungera som isolerade verktyg, fungerar de som sammanhängande beslutsnivåer som tillåter insikter från ett skede att informera nästa. Detta skapar en mer dynamisk och responsiv forskningsprocess, särskilt värdefull i miljöer där flera variabler måste utvärderas samtidigt.

NVIDIA’s: Infrastruktur och domänspecifik AI

NVIDIA’s bidrag sträcker sig bortom rå beräkningskraft. Företaget tillhandahåller en fullständig AI-plattform anpassad för livsvetenskapsapplikationer, inklusive BioNeMo för domänspecifik modellträning, Nemotron modeller för avancerad resonemang och NIM mikrotjänster för skalbar distribution.

Denna infrastruktur möjliggör realtids simulerings- och inferens på stor skala samtidigt som den upprätthåller den nivå av tillförlitlighet som krävs i reglerade hälso- och sjukvårds miljöer. Den möjliggör också att AI-utdata kan infogas direkt i företagssystem, vilket gör dem handlingsbara snarare än enbart experimentella.

Att överbrygga gapet mellan AI-experiment och produktion

En återkommande utmaning i företags AI-antagande är gapet mellan pilotprojekt och riktiga distributioner. Många organisationer lyckas experimentera med AI-modeller men kämpar för att integrera dem i kritiska arbetsflöden.

Detta samarbete lägger tydligt fokus på att överbrygga detta gap genom att utforma system som är produktionsklara från början. Målet är att infoga AI direkt i forskningspipeliner, vilket säkerställer att simulerings- och insikter kan omedelbart påverka riktiga laboratoriearbeten.

Vad detta signalerar för läkemedelsutvecklingens framtid

Den bredare implikationen av detta partnerskap är en förskjutning mot hybridupptäcktsmodeller där digital simulerings- och fysisk experimentell metodik samverkar snarare än i separata stadier. Tidig forskning kan bli avsevärt snabbare eftersom simuleringsarbetet ersätter en stor del av det initiala laboratoriearbetet, vilket möjliggör för team att testa och förfinansiera idéer i en mycket högre takt.

Att minska antalet misslyckade experiment har potentialen att sänka kostnader samtidigt som effektiviteten i hela utvecklingspipelinen förbättras. Samtidigt öppnar förmågan att snabbt iterera på molekylära designer dörren till mer riktade och personliga terapier.

Mer fundamentalt, speglar detta en djupare transformation i hur vetenskaplig forskning bedrivs. AI är inte längre bara ett stödverktyg, utan börjar forma upptäcktsprocessens struktur. När simuleringsnoggrannheten förbättras och agentbaserade system blir mer kapabla, suddas gränsen mellan computermolekylär modellering och riktiga experimentella ut mellan, vilket pekar mot en framtid där en stor del av den tidiga vetenskapliga processen sker in silico innan den når laboratoriet.