drug discovery – NVIDIA 技術博客

利用 NVIDIA BioNeMo 服務構建用于藥物發現的生成人工智能管道

Tue, 21 Mar 2023 07:27:39 +0000

創造新的候選藥物是一項英勇的努力，通常需要 10 多年的時間才能將一種藥物推向市場。理解生物學和化學文本的新的超級計算規模的大型語言模型（ LLM ）正在幫助科學家理解蛋白質、小分子、 DNA 和生物醫學文本。這些最先進的人工智能模型有助于生成 de novo 蛋白質和分子，并預測蛋白質的 3D 結構。他們可以預測小分子與蛋白質的結合結構，并為科學家提供更容易的方法來設計新的候選藥物，最終為患者帶來希望。 2021 Exscientia brought an AI-designed drug candidate 進行臨床試驗后，其他幾家公司宣布他們的候選人正在試驗中。在專注于基于人工智能的發現的制藥公司中，有關于 160 discovery programs 的公開信息，據報道其中 15 種產品正在臨床開發中。

Source

]]>

NVIDIA L4 GPU 實現 AI 視頻和 AI 推理性能的超級充電

Tue, 21 Mar 2023 06:59:15 +0000

NVIDIA T4 于 4 年前作為通用 GPU 引入主流服務器。 T4 GPU 已被廣泛采用，目前是 NVIDIA 數據中心中容量最大的 GPU s 。 T4 GPU 被部署到人工智能推理、云游戲、視頻和視覺計算的用例中。在 NVIDIA GTC 2023 主題演講中， NVIDIA 為人工智能工作負載推出了 several inference platforms ，包括 NVIDIA T4 的繼任者： NVIDIA L4 Tensor Core GPU 。 L4 GPU 現在是一款通用、節能的加速器，旨在滿足視頻、視覺計算、圖形、虛擬化、生成人工智能和邊緣計算的眾多應用的人工智能需求。在這篇文章中，我們介紹了與上一代（ T4 ）相比， L4 GPU 的主流服務器如何提供更多的 AI 視頻性能，并實現更多的視頻流。您將在從視頻流到藥物發現的各種用例中找到經過驗證的結果，

Source

]]>

用生物分子大語言模型預測蛋白質結構和性質

Thu, 08 Dec 2022 06:56:00 +0000

NVIDIA BioNeMo 服務現在可用于早期訪問。在 2022 年秋季 GTC 上， NVIDIA 發布了 BioNeMo ，這是一個特定領域的框架和服務，用于在數十億參數的超級計算規模上培訓和服務化學和生物學的生物分子大語言模型（ LLM ）。 Bio NeMo 服務針對化學、蛋白質組學和基因組應用進行了域優化，旨在支持化學結構 SMILES 表示法中表示的分子數據，以及蛋白質、 DNA 和 RNA 的氨基酸和核酸序列 FASTA 。借助 Bio NeMo 服務，科學家和研究人員現在可以通過云 API 訪問預訓練的生物分子 LLM ，使他們能夠預測蛋白質結構、開發工作流，并從 LLM 嵌入中擬合下游任務模型。 Bio NeMo 服務是 AI 藥物發現管道的交鑰匙云解決方案，可在瀏覽器中或通過 API 端點使用。

Source

]]>

Insilico Medicine 通過人工智能識別 ALS 的治療靶點

Thu, 14 Jul 2022 07:23:00 +0000

藥物發現初創公司 Insilico Medicine 與來自哈佛醫學院、約翰霍普金斯醫學院、梅奧診所等的研究人員一起使用人工智能識別了二十多個與肌萎縮側索硬化癥（ ALS ）相關的基因靶點。研究結果包括 17 個高置信度和 11 個新的治療靶點，最近發表在衰老神經科學前沿上。利用 Insilico 的人工智能驅動的靶點發現引擎 PandaOmics ，研究人員分析了大量數據集，以發現新藥物可以靶向改善 ALS （也稱為 Lou Gehrig 病）預后的基因。如今，患者通常在癥狀出現后面臨 2 到 5 年的平均預期壽命。研究團隊使用 NVIDIA GPU 來訓練用于目標識別的深度學習模型。 PandaOmics 人工智能引擎使用組學人工智能分數、基于文本的人工智能分數、財務分數等組合對基因目標進行排序。 ALS 是一種使人衰弱的疾病。患者迅速失去自主肌肉運動，

Source

]]>

加速計算是藥物研發大眾化的關鍵

Fri, 24 Jun 2022 05:07:00 +0000

藥物發現領域正處于一個迷人的轉折點。這個問題的物理學是可以理解和計算的，然而量子力學計算太昂貴和耗時。 Eroom’s Law 觀察到，盡管技術有所進步，但藥物發現速度越來越慢，成本越來越高。最近一篇研究 GPU 計算和深度學習在藥物發現中的轉變作用顯示出這種趨勢可能很快逆轉的希望。該綜述發表在自然機器智能上，詳細介紹了從分子模擬和蛋白質結構測定到生成性藥物設計等挑戰方面的許多進展，這些挑戰加速了計算機輔助藥物發現工作流程。在高度并行化 GPU 和支持 GPU 的算法的發展推動下，這些進步為計算化學和結構生物學開發新藥帶來了新的可能性。研究人員在藥物發現和機器學習方面的合作，以確定 GPU 加速的深度學習工具，為這些挑戰創造了新的可能性，如果這些挑戰得到解決，將成為更快、更廉價藥物開發的關鍵。研究作者寫道：“我們預計，

Source

]]>