Persistenta system och NVIDIA samarbetar för att accelerera AI-driven läkemedelsupptäckt

Persistent Systems har tillkännagett ett nytt samarbete med NVIDIA i syfte att förbättra hur läkemedel upptäcks, testas och introduceras på marknaden. Samarbetet fokuserar på att kombinera Persistents ingenjörskompetens med NVIDIAs AI-infrastruktur för att driva beräkningsbaserad läkemedelsupptäckt bortom experiment och in i produktionsmiljöer.

I kärnan riktar sig initiativet mot en långvarig flaskhals inom hälso- och sjukvården: tidig läkemedelsupptäckt. Denna fas är traditionellt sett långsam, dyr och starkt beroende av fysiskt laboratoriearbete. Genom att flytta mer av denna process till högkvalitativa simuleringar som drivs av AI syftar båda företagen till att minska tidsramar samtidigt som sannolikheten för framgång förbättras nedströms.

Från våta labb till simulering-ledd upptäckt

En central komponent i samarbetet är Persistents nyligen utvecklade Generativa molekyler och virtuell skärmning (GenMolIVS) lösning. Byggd på NVIDIAs BioNeMo plattform, använder systemet generativa AI-modeller som tränats på kemisk och biologisk data för att designa och utvärdera potentiella läkemedelskandidater digitalt.

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

Resultatet är en övergång från försök-och-fel-experiment till simulering-ledd beslutsfattning, där AI fungerar som en första valideringsnivå.

Agentic AI kommer in i läkemedelsupptäcktsarbetsflödet

En av de mer anmärkningsvärda aspekterna av samarbetet är införandet av agentic AI-system i upptäcktsprocessen. Med hjälp av NVIDIAs 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. Snarare än att fungera som isolerade verktyg, fungerar de som sammanhängande beslutsnivåer som tillåter insikter från ett skede att informera det nästa. Detta skapar ett mer dynamiskt och responsivt forskningsflöde, särskilt värdefullt i miljöer där flera variabler måste utvärderas samtidigt.

NVIDIAs: Infrastruktur och domänspecifik AI

NVIDIAs bidrag sträcker sig bortom ren 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 simulering och inferens i stor skala samtidigt som den upprätthåller den nivå av tillförlitlighet som krävs i reglerade hälso- och sjukvårds miljöer. Det möjliggör också att AI-utdata kan införlivas 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 stänga detta gap genom att utforma system som är produktionsklara från början. Målet är att införliva AI direkt i forskningspipeliner, vilket säkerställer att simuleringar och insikter kan omedelbart påverka riktiga laboratoriearbeten.

Vad detta signalerar för läkemedelsutvecklingens framtid

Den bredare implikationen av detta samarbete är en övergång mot hybridupptäcktsmodeller där digital simulering och fysisk experimentering fungerar tillsammans snarare än i separata faser. Tidig forskning kan bli betydligt snabbare eftersom simuleringar ersätter en stor del av det initiala laboratoriearbetet, vilket gör det möjligt 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 grundläggande, speglar detta en djupare transformation av hur vetenskaplig forskning bedrivs. AI är inte längre bara ett stödverktyg utan börjar forma själva upptäcktsprocessen. När simuleringens noggrannhet förbättras och agenter blir mer kapabla, fortsätter gränsen mellan beräkningsbaserad modellering och riktiga experiment att suddas ut, vilket pekar mot en framtid där en stor del av den tidiga vetenskapliga processen sker in silico innan den når laboratoriet.