Bristol Myers Squibb acquiert la plateforme d’intelligence artificielle de Nvidia pour accélérer la découverte de médicaments

Bristol Myers Squibb a acquis un DGX SuperPOD d’Nvidia alimenté par l’architecture Vera Rubin afin d’accélérer les applications d’intelligence artificielle dans son pipeline de découverte et de développement de médicaments.

Le géant pharmaceutique sera la première organisation des sciences de la vie à déployer un DGX SuperPOD basé sur Vera Rubin, la dernière architecture de calcul d’IA d’Nvidia dévoilée plus tôt cette année en tant qu’héritière des générations précédentes.

Expansion de la capacité de calcul

Le nouveau cluster est composé de huit systèmes DGX Vera Rubin NVL72, chaque unité à l’échelle du rack intégrant les processeurs centraux Vera et les processeurs graphiques Rubin d’Nvidia.

BMS exploitera cette infrastructure pour entraîner des modèles propriétaires et exécuter des prédictions dans le cadre de ses initiatives de recherche, soutenant ainsi les travaux sur les composés, les protéines et d’autres ensembles de données scientifiques.

Les détails financiers de la transaction restent non divulgués. Cet acquisition complète l’infrastructure Nvidia existante de BMS, qui comprend un SuperPOD plus ancien que les dirigeants ont indiqué être en retard de deux ou trois générations par rapport à Vera Rubin.

BMS fait fonctionner son DGX SuperPOD actuel depuis environ trois ans. L’entreprise a l’intention d’intégrer ce système avec le nouveau système Vera Rubin dans un environnement de calcul unifié accessible depuis ses sites de recherche dans le monde entier.

La pile logicielle SuperPOD gérera les charges de travail d’entraînement, de prédiction et de développement sur l’ensemble de l’infrastructure. Selon BMS, cette configuration élargie donnera un accès direct plus large aux ressources informatiques à davantage de scientifiques.

Greg Meyers, directeur numérique et technologique de BMS, a déclaré que les demandes de calcul ont augmenté à mesure que l’entreprise déploie des modèles d’IA plus grands au sein de son organisation de recherche.

Erin Davis, vice-présidente des insights commerciaux de la recherche et de la technologie chez BMS, a noté que l’infrastructure existante fonctionne à pleine capacité. Elle a attribué cette demande à des prédictions à grande échelle impliquant des molécules complexes et au développement de modèles fondamentaux internes.

Davis a souligné que le nouveau système ne sera pas limité à un petit groupe de chercheurs en informatique. BMS prévoit de le rendre disponible dans toute l’organisation de recherche, éliminant ainsi les temps d’attente et les restrictions d’accès de la configuration actuelle.

Application de l’IA dans la découverte de médicaments

BMS a signalé que l’IA informe désormais la conception de chaque programme de petites molécules et de la majorité de ses programmes de grandes molécules. La technologie est appliquée à l’identification des cibles, à l’optimisation des candidats, aux prédictions sur les grandes molécules et au développement de modèles internes.

L’entreprise a déclaré que l’identification des cibles par IA a réduit les efforts de recherche manuelle de plusieurs semaines. Les charges de travail de prédiction sur les grandes molécules entraînent également le besoin de capacité de traitement graphique supplémentaire.

Robert Plenge, directeur de la recherche chez BMS, a déclaré que le nouveau système permettra aux scientifiques d’évaluer davantage de candidats potentiels aux stades précoces de développement.

« Peut-être qu’avant nous pouvions en faire 10 et maintenant nous pouvons en faire des dizaines », a déclaré Plenge.

Le dépistage computationnel permet aux chercheurs d’évaluer des composés potentiels avant de sélectionner un sous-ensemble plus restreint pour la synthèse et les tests en laboratoire.

BMS utilise cette approche par une méthode appelée « Predict First » (Prédire d’abord), qui utilise des prédictions générées par des modèles pour exclure les molécules qui ne satisfont pas les propriétés requises avant que les candidats ne soient sélectionnés pour la synthèse.

Payal Sheth, vice-présidente senior des sciences de la découverte thérapeutique chez BMS, a déclaré que les chercheurs utilisent ces prédictions pour identifier des molécules présentant la combinaison souhaitée de propriétés.

« Nous utilisons les prédictions comme moyen de prioriser la synthèse de molécules avec une optimisation multi-paramètres », a déclaré Sheth. « Cela garantit que les expériences de laboratoire précieuses sont alignées sur des molécules en cours de progression ayant la plus grande probabilité de succès. »

Cette méthode réduit le nombre de composés envoyés pour des tests en laboratoire, permettant aux chercheurs de concentrer leurs expériences sur des molécules qui répondent aux exigences prédites d’un programme.

BMS a également utilisé l’IA pour élargir sa bibliothèque de composés CELMoD, conçus pour dégrader sélectivement les protéines cancérigènes. L’entreprise étudie ces composés dans les cancers du sang et d’autres maladies.

BMS a déclaré que les travaux de modélisation ont aidé les chercheurs à examiner des cibles protéiques supplémentaires et des composés potentiels avant de décider quels candidats poursuivre expérimentalement.

L’entreprise utilise également des outils d’IA pour réduire le temps nécessaire à la production de médicaments pour les essais cliniques. Plenge a déclaré que le processus a déjà été réduit de 20 % à 30 % et pourrait atteindre 50 % dans les années à venir.

Il a cité un traitement expérimental de la drépanocytose en développement clinique précoce comme exemple de recherche soutenue par l’IA. Plenge a déclaré que ce traitement n’aurait probablement pas été découvert sans les outils d’IA de l’entreprise.

Ces chiffres concernent le temps nécessaire pour identifier et produire des candidats aux tests cliniques, et non leurs performances ultérieures dans les essais.

Le système Vera Rubin donnera également aux chercheurs l’accès à la boîte à outils BioNeMo Agent d’Nvidia pour les applications biologiques et de découverte de médicaments.

BioNeMo fournit des outils pour la prédiction de la structure des protéines, la génération moléculaire, l’empilement moléculaire, l’analyse de séquence et la génomique. Il peut également connecter plusieurs outils computationnels au sein du même flux de travail de recherche.

Les dirigeants de BMS ont souligné que les chercheurs humains continueront à examiner les sorties des modèles et à décider quels composés ou programmes devraient être poursuivis.

Connexion des sites de recherche

BMS introduit des outils conçus pour réduire les connaissances spécialisées nécessaires pour initier des tâches de calcul complexes. L’entreprise a déclaré que les chercheurs pourront lancer certaines demandes de prédiction en utilisant des instructions en langage naturel.

L’environnement sera géré via Nvidia Mission Control, qui s’occupe du provisionnement des clusters, de la surveillance de l’infrastructure et de la gestion des charges de travail, selon BMS.

L’infrastructure unifiée permettra aux données et aux sorties de modèles générées sur un site d’être utilisées par des équipes ailleurs. BMS a noté que les ensembles de données d’un programme à Lawrenceville, dans le New Jersey, par exemple, peuvent être intégrés dans des modèles utilisés par des chercheurs à San Diego.

Sheth a déclaré que l’environnement partagé est conçu pour conserver les informations provenant des expériences et des programmes de recherche dans toute l’organisation.

« L’infrastructure de calcul est ce qui relie tous nos scientifiques et garantit que nos apprentissages sont institutionnalisés », a déclaré Sheth.

Les deux SuperPOD fonctionneront via un environnement de données commun, permettant aux équipes de différents sites d’accéder à des ensembles de données et des sorties de modèles partagés. BMS a déclaré que l’environnement comprendrait des informations provenant d’expériences, de résultats cliniques et de partenariats de recherche.

L’entreprise prévoit d’allouer la nouvelle capacité de calcul à la conception de petites et grandes molécules, à la recherche clinique et aux applications de jumeaux numériques. BMS n’a pas fourni de détails sur les travaux de jumeaux numériques prévus ni sur la quantité de capacité attribuée à chaque domaine.

Meyers a déclaré que le système Vera Rubin fournira plus de capacité de calcul par rapport à sa consommation d’électricité. BMS et Nvidia ont déclaré que le cluster de huit systèmes offrira jusqu’à 10 fois les performances par mégawatt de l’infrastructure qu’il remplace.

« Lorsque vous hébergez ces choses, vous devez payer une facture d’électricité », a déclaré Meyers. « Considérez-le comme 10 fois plus de capacité de calcul par watt dépensé… L’électricité ne devient pas moins chère. »

BMS n’a pas fourni de date de déploiement spécifique ni identifié où le nouveau système sera hébergé.

Voir aussi : Les agences de santé publique américaines testeront les modèles d’IA d’OpenAI et d’Anthropic

Vous souhaitez en savoir plus sur l’IA et les mégadonnées avec des leaders de l’industrie ? Découvrez l’AI & Big Data Expo qui se déroulera à Amsterdam, en Californie et à Londres. L’événement complet fait partie de TechEx et est co-localisé avec d’autres événements technologiques de premier plan, y compris la Cyber Security & Cloud Expo. Cliquez ici pour plus d’informations.

AI News est propulsé par TechForge Media. Explorez d’autres événements technologiques d’entreprise et webinaires à venir ici.