將人工智能集成到藥物開發中正在徹底改變研究人員開發各種疾病新療法的方式。傳統方法通常耗時且成本高昂，將新藥推向市場的過程長達 15 年，成本在 10 億美元至 20 億美元之間。
通過使用人工智能和高級計算工具，研究人員現在可以加速新藥的識別，顯著減少藥物研發過程中所涉及的時間和成本。
傳統藥物研發面臨的挑戰?
在傳統的藥物研發工作流程中，研究人員首先識別生物標的（例如參與疾病進展的蛋白質），然后尋找能夠調節該標的分子。生物系統的復雜性，加上大量潛在的化學結構（估計約為 10^60），使得這項任務非常艱巨。
傳統的計算機輔助藥物研發 (CADD) 方法通常依賴于簡化模型和假設，而這些模型和假設無法捕捉藥物與目標蛋白的相互作用的復雜性，從而導致臨床試驗中的高失敗率。
AI 驅動的虛擬篩選方法?
Innoplexus 是一家注冊的 NVIDIA Inception 初創公司 。他們專有的深度學習方法使用 NVIDIA NIM 微服務 來簡化藥物研發流程。他們還使用具有以下組件的 NVIDIA H100 GPU 集群：
- 加速器： NVIDIA H100 Tensor Core GPU
- 顯存： 80 GB HBM3 (高帶寬顯存)
- 互連： NVIDIA NVLink 4.0
- 集群配置： 具有高速互連的可擴展多節點集群，用于分布式訓練和推理。
此方法參考了用于生成式虛擬篩選的 NVIDIA NIM Agent 藍圖，該藍圖支持快速生成由 AI 驅動的新型分子結構，以加速分子模擬并與 NIM 微服務對接。
將 Innoplexus 的專業知識與 NVIDIA 的先進 AI 技術相結合，從根本上改變了創新療法的發現和推向市場的方式，使這一過程更快、更高效、更精確。
為了滿足與 TDP-43 聚集相關的神經退行性疾病的新療法的迫切需求，Innoplexus 開發了一個 AI 驅動的藥物發現管道。
Innoplexus 深度學習方法?
Innoplexus 的方法采用定制設計的人工神經網絡 (ANN) 進行蛋白質目標預測，并基于蛋白質序列、結構信息和分子相互作用的大規模數據集進行訓練。
圖 1. 使用 NVIDIA NIM 微服務進行結構和基于配體的藥物研發的工作流程
Innoplexus 使用以下 NVIDIA NIM 微服務：
- AlphaFold2 用于蛋白質結構預測
- MolMIM 優化潛在客戶生成
- DiffDock 用于分子對接
通過結合這些先進的 AI 工具，Innoplexus 旨在簡化藥物研發流程，并找出能夠有效地針對 TDP-43 并減緩這些衰弱性疾病進展的候選藥物。這種創新方法有可能加速新療法的開發，并改善受神經退行性疾病影響的患者的生活。
用于蛋白質結構預測的 AlphaFold2?
用戶提供的蛋白質序列通過 AlphaFold2 NIM 微服務進行處理，該微服務可準確確定目標蛋白質的 3D 結構。此步驟包括將序列與已知蛋白質進行比對，提供多種比對配置以提高準確性。
MolMIM 用于優化潛在客戶生成?
初始化化學結構通過 MolMIM NIM 微服務傳遞，該服務可生成針對藥物相似性 (QED)、可溶性 (penalized log P) 和分子相似性等特定屬性進行優化的新分子結構。
根據您的要求，可在多個周期內對生成的分子進行迭代優化。
用于分子對接的 DiffDock?
分子對接有助于確定藥物結合目標蛋白的最佳位點。優化分子和目標蛋白結構由 DiffDock 處理，DiffDock 預測分子與蛋白質的結合姿勢。
您可以定義姿勢數量和其他對接約束，從而全面分析潛在的藥物-靶向相互作用。
后處理 ADMET 管道?
在 DiffDock 之后，使用專有的 ADMET（吸收、分布、代謝、排泄和毒性）流程對頂部 1K 的小分子進行進一步篩選，該流程評估分子的藥代動力學和藥代動力學特性。
此管道包括以下組件：
- ADMET 預測 ：專有模型預測分子的 ADMET 屬性，包括溶解度、滲透性、代謝和毒性。
- 過濾和排名： 根據預測的 ADMET 屬性對分子進行過濾和排名，確保僅選擇最有前景的候選分子進行進一步開發。
Innoplexus ADMET 模型?
ADMET 模型是一種定制設計的神經網絡，使用分子結構及其相應的 ADMET 屬性的大型數據集。
模型使用高級技術進行訓練：
- 多任務學習： 模型同時在多個 ADMET 任務上進行訓練，從而提高其整體性能和準確性。
- 遷移學習： 該模型基于分子結構的大型數據集進行微調，從而可以很好地推廣到新的、未知的分子。
工作流優化?
管道已針對性能進行優化：
- 數據并行 ：跨多個 GPU 和節點的分布式訓練和推理。
- 模型并行： 將大型模型拆分到多個 GPU 和節點上。
- 流水線并行： 流水線階段之間的重疊計算和通信。
GPU 的應用和加速計算方法有助于快速執行此解決方案的計算密集型操作，使其能夠在實際時限內完成。
實際應用及其影響?
借助由 NVIDIA H100 集群提供動力支持的 Innoplexus AI 驅動的工作流，快速識別化合物，加速生成分子的虛擬篩選以及分子對接速度提升高達 10 倍，使研究人員能夠執行以下任務：
- 在 5 – 8 小時內篩選出 580 萬個小分子。
- 通過 ADMET 分析，在幾個小時內識別出 100 萬種化合物的前 1％具有高治療潛力的化合物。
- 以 90% 的準確率優化領先化合物。
通過利用人工智能和高性能計算的強大功能，您可以快速探索廣闊的化學空間，并確定有潛力的治療開發候選藥物，從而顯著加速藥物研發過程。
開始使用?
AI 和高性能計算將改變藥物發現領域，從而更快、更準確地識別潛在的候選藥物。
通過將最先進的神經網絡算法、生成模型和先進的分子對接技術相結合，Innoplexus 虛擬篩選流程為加速新藥發現提供了強大的工具，最終提高患者的治療效果，并減少將新療法推向市場所需的成本和時間。
開始使用 NVIDIA NIM Agent 藍圖進行生成式虛擬篩選，并詳細了解 Innoplexus 。
?
