Nvidia a lansat arhitectura Vera Rubin la începutul acestui an, ca succesoare a generației actuale de sisteme de calcul AI. Noul cluster va include opt sisteme DGX Vera Rubin NVL72, fiecare combinând procesoarele centrale Nvidia Vera cu unitățile grafice Rubin. BMS va utiliza această infrastructură pentru a antrena modele proprietare și a rula predicții în cadrul programelor sale de cercetare, acoperind domenii precum compușii chimici, proteinele și alte date științifice complexe. Termenii financiari ai tranzacției nu au fost dezvăluiți, dar impactul strategic este evident.
Această achiziție extinde infrastructura Nvidia existentă a BMS, care include un SuperPOD mai vechi, descris de directori ca fiind cu două sau trei generații în urma lui Vera Rubin. BMS operează actualul DGX SuperPOD de aproximativ trei ani și intenționează să îl combine cu noul sistem Vera Rubin într-un mediu de calcul partajat, accesibil din toate centrele sale de cercetare din întreaga lume. Stiva software SuperPOD poate programa sarcinile de antrenare, predicție și dezvoltare pe întreaga infrastructură, oferind astfel mai multor oameni de știință acces direct la resursele de calcul.
Greg Meyers, directorul digital și de tehnologie al BMS, a explicat că cerințele de calcul au crescut pe măsură ce compania implementează modele AI din ce în ce mai mari în organizația de cercetare. Erin Davis, vicepreședinte pentru informații și tehnologie în cercetare la BMS, a adăugat că infrastructura existentă funcționează la capacitate maximă, din cauza predicțiilor la scară largă care implică molecule mari și a dezvoltării de modele fundamentale interne. Davis a subliniat că noul sistem nu va fi limitat la un grup restrâns de cercetători computaționali, ci va fi disponibil în întreaga organizație de cercetare, fără perioadele de așteptare și limitele de acces asociate infrastructurii actuale.
BMS a declarat că AI influențează proiectarea fiecărui program de molecule mici și a majorității programelor de molecule mari. Tehnologia este aplicată în identificarea țintelor, optimizarea compușilor lider, predicțiile pentru molecule mari și dezvoltarea de modele interne. Compania a raportat că identificarea țintelor asistată de AI a redus unele activități manuale de cercetare cu câteva săptămâni. Sarcinile de predicție pentru molecule mari contribuie, de asemenea, la cererea crescută de capacitate suplimentară de procesare grafică.
Robert Plenge, directorul de cercetare al BMS, a declarat că noul sistem va permite oamenilor de știință să evalueze mai mulți potențiali candidați la medicamente în fazele incipiente de dezvoltare. Screeningul computațional le permite cercetătorilor să evalueze compușii potențiali înainte de a selecta un grup mai mic pentru sinteză și testare de laborator. BMS aplică această abordare printr-o metodă numită „Predict First” („Prezice mai întâi”), care utilizează predicții generate de modele pentru a exclude moleculele care nu îndeplinesc proprietățile necesare înainte ca acești candidați să fie selectați pentru sinteză.
Payal Sheth, vicepreședinte senior pentru științe de descoperire terapeutică la BMS, a explicat că cercetătorii folosesc predicțiile pentru a identifica moleculele cu combinația necesară de proprietăți. „Folosim predicțiile ca o modalitate de a prioritiza sinteza moleculelor cu optimizare multi-parametru”, a spus Sheth. „Acest lucru asigură că experimentele prețioase de laborator sunt aliniate cu progresul moleculelor care au cea mai mare probabilitate de succes.” Metoda reduce numărul de compuși trimiși pentru testare de laborator, permițând cercetătorilor să se concentreze asupra moleculelor care îndeplinesc cerințele prezise ale programului.
BMS a folosit, de asemenea, AI pentru a-și extinde biblioteca de compuși CELMoD, proiectați să degradeze selectiv proteinele care cauzează cancer. Compania studiază acești compuși în cancerele sangvine și alte boli. BMS a declarat că munca de modelare a ajutat cercetătorii să examineze ținte proteice suplimentare și compuși potențiali înainte de a decide pe care să îi urmărească experimental.
Compania utilizează, de asemenea, instrumente AI pentru a scurta timpul necesar producerii medicamentelor pentru studiile clinice. Plenge a spus că procesul a fost deja redus cu 20-30% și ar putea ajunge la 50% în următorii ani. El a citat un tratament experimental pentru boala celulelor secera, aflat în dezvoltare clinică timpurie, ca exemplu de cercetare susținută de AI. Plenge a afirmat că tratamentul probabil nu ar fi fost descoperit fără instrumentele AI ale companiei. Cifrele se referă la timpul necesar pentru identificarea și producerea candidaților pentru testare clinică, nu la performanța lor ulterioară în studii.
Sistemul Vera Rubin va oferi, de asemenea, cercetătorilor acces la Nvidia BioNeMo Agent Toolkit pentru aplicații biologice și de descoperire a medicamentelor. BioNeMo oferă instrumente pentru predicția structurii proteinelor, generarea de molecule, andocarea moleculară, analiza secvențelor și genomică. Poate conecta mai multe instrumente computaționale în cadrul aceluiași flux de lucru de cercetare. Conducerea BMS a subliniat că cercetătorii umani vor continua să revizuiască rezultatele modelelor și să decidă care compuși sau programe ar trebui să avanseze.
BMS introduce instrumente menite să reducă cunoștințele specializate necesare pentru a iniția sarcini complexe de calcul, democratizând astfel accesul la AI în cadrul organizației. Această mișcare reflectă o tendință mai largă în industria farmaceutică, unde AI devine un instrument esențial pentru a accelera descoperirea de medicamente și a reduce costurile. Cu toate acestea, rămân provocări legate de validarea modelelor, interpretarea rezultatelor și integrarea AI în fluxurile de lucru existente.
De ce este important:
Această achiziție marchează un moment de cotitură în modul în care marile companii farmaceutice abordează cercetarea și dezvoltarea. Prin investiția într-un sistem AI de ultimă generație, Bristol Myers Squibb nu doar că își sporește capacitatea de a descoperi medicamente mai rapid, dar și demonstrează că inteligența artificială poate reduce semnificativ timpul și costurile asociate cu aducerea pe piață a unor tratamente inovatoare. Într-o eră în care bolile complexe necesită soluții personalizate, AI oferă o cale de a analiza cantități uriașe de date și de a identifica candidați promițători care altfel ar fi fost trecuți cu vederea. Pentru pacienți, acest lucru înseamnă acces mai rapid la terapii care le pot salva viața, iar pentru industrie, un model de eficiență care ar putea redefini standardele de cercetare.
