藥物研發旨在開發新的治療藥物，這些藥物能夠有效地針對疾病，同時盡可能地減少對患者的副作用。使用多模態數據（例如分子結構、細胞圖像、序列和非結構化數據）對于識別新型安全的候選藥物非常重要。
然而，創建用于計算機輔助藥物研發的多模態 AI 模型具有挑戰性。這些模型必須調整各種類型的數據，并處理高度復雜的計算。多模態 AI 模型通常需要先進的深度學習技術，而這些技術的計算要求很高。確保這些模型有效地使用來自所有數據類型的信息而不引入偏差是一項主要困難。有關更多詳細信息，請參閱 《Toward Unified AI Drug Discovery with Multimodal Knowledge》。
Montai Therapeutics 是一家 旗艦先鋒公司 ，該公司正在使用 NVIDIA BioNeMo 平臺應對這些挑戰。Montai 創新的核心是整合和管理全球最大、帶有完整注釋的 Anthromolecule 化學庫。Anthromolecules 是 Montai 創造的術語，指的是人類在食品、補充劑和草藥中消耗的經過嚴格挑選的生物活性分子。
與傳統的合成組合化學庫相比，Anthromolecule 及其衍生物以及旨在調節生物學的支架可提供更大的化學結構多樣性。這是因為 Anthromolecule Chemistry 已被證明是用于治療各種疾病的 FDA 批準藥物的來源，但它在系統藥物開發方面仍未得到很大的利用。這種多樣化化學中豐富的拓撲結構提供了更廣泛的向量范圍，能夠以精確和選擇性處理復雜的生物學，并且可以為藥物開發者過去無法提供的目標解鎖基于小分子藥物的解決方案，從而改變治療慢性病的藥物。
使用 NVIDIA NIM 創建多模態 AI 藥物發現平
在最近的一次合作中，Montai 和 NVIDIA BioNeMo 解決方案團隊在開發多模態模型方面取得了重大進展，該模型旨在從 Anthromolecule 來源虛擬識別潛在的小分子藥物。該模型基于 AWS EC2 構建，在多個大規模生物數據集上進行訓練。它采用了 NVIDIA BioNeMo DiffDock NIM ，這是一種用于盲分子對接姿態估計的先進生成模型。BioNeMo DiffDock NIM 是 NVIDIA NIM 的一部分，后者是一套易于使用的微服務，旨在加速在云、數據中心和工作站中部署生成式 AI。
Montai 和 NVIDIA 之間的合作在對比學習基礎模型的主干上進行了顯著的模型架構優化。初步結果很有希望，該模型在分子功能預測方面展示了優于傳統機器學習方法的性能。
多模態模型統一了四種模態的信息：
- 化學結構
- 表型細胞數據
- 基因表達數據
- 有關生物途徑的信息
通過結合使用這四種模式，模型的性能優于單模態模型，展示了對比學習和基礎模型范式在人工智能藥物研發領域中的優勢。
通過整合這些不同的模式，該模型將幫助 Montai Therapeutics 通過其 CONECTA 平臺更有效地識別出有前景的藥物開發用主要化合物。這一創新藥物操作系統有助于從各種未開發的人類化學藥物中發現可預測的變革性小分子藥物。
結束語?
目前，協作重點是整合從 DiffDock 預測中衍生出的第五種模式，即“對接指紋”。NVIDIA BioNeMo 在擴展推理過程方面發揮了重要作用，實現了更高效的計算。例如，DiffDock 在 DUD-E 數據集上，每個配體具有 40 個姿態，在八個 NVIDIA A100 Tensor Core GPU 上，每個配體的處理速度為 0.76 秒。
這些進步凸顯了高效利用 GPU 在藥物篩選中的重要性，并凸顯了 NVIDIA NIM 和多模態 AI 模型的成功應用。Montai 和 NVIDIA 之間的合作是在追求更有效和更高效的藥物研發流程方面向前邁出的關鍵一步。
了解更多關于 NVIDIA BioNeMo 和 NVIDIA BioNeMo DiffDock NIM 的信息。
?
