人工智慧在藥物發現中的整合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 1-2B 美元之間。
透過使用人工智慧和先進的計算工具，研究人員現在可以加速新藥的識別，從而顯著減少藥物發現過程中涉及的時間和成本。
傳統藥物發現的挑戰
在傳統的藥物發現工作流程中，研究人員首先確定生物標靶，例如參與疾病進展的蛋白質，然後尋找可以調節該標靶的分子。生物系統的複雜性，加上大量的 潛在化學結構（估計約為 10 60 ），使得這是一項艱鉅的任務。
傳統的電腦輔助藥物發現（CADD）方法通常依 德國電話號碼數據 賴簡化的模型和假設，無法捕捉藥物與標靶相互作用的複雜性，導致臨床試驗中的高流失率。
人工智慧驅動的虛擬篩選方法
Innoplexus是一家註冊的 NVIDIA Inception 新創公司。 他們專有的深度學習方法使用NVIDIA NIM 微服務來簡化藥物發現過程。他們還使用具有以下組件的 NVIDIA H100 GPU 叢集：
- 加速器： NVIDIA H100 Tensor Core GPU
- 記憶體： 80 GB HBM3（高頻寬記憶體）
- 互連： NVIDIA NVLink
- 集群配置：可擴展的多節點集群，具有高速互連，用於分佈式訓練和推理
這種方法以用於產生虛擬篩選的 NVIDIA NIM Agent Blueprint 為基礎，能夠快速產生由 AI 驅動的新型分子結構，從而加速分子模擬並與 NIM 微服務對接。
將 Innoplexus 的專業知識與 NVIDIA 的尖端 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、更有效率、更精確。
為了滿足與 TDP-43 聚集相關的神經退化性疾病新療法的迫切需求，Innoplexus 開發了由人工智慧驅動的藥物發現管道。
Innoplexus的深度學習法
Innoplexus 的方法採用客製化設計的人工神經網路 (ANN) 進行蛋白質目標預測，並在蛋白質序列、結構資訊和分子相互作用的大規模資料集上進行訓練。
圖 1. 使用 NVIDIA NIM 微服務進行基於結構和配體的藥物發現的工作流程
Innoplexus 使用以下 NVIDIA NIM 微服務：
- AlphaFold2用於 如何在 30 天內恢復您的線上聲譽 蛋白質結構預測
- MolMIM用於優化潛在客戶開發
- DiffDock用於分子對接
透過結合這些先進的人工智慧工具，Innoplexus 旨在簡化藥物發現過程，並找到能夠有效靶向 TDP-43 並減緩這些使人衰弱的疾病進展的有前途的候選藥物。這種創新方法有可能加速新療法的開發並改善受神經退化性疾病影響的患者的生活。
AlphaFold2 用於蛋白質結構預測
使用者提供的蛋白質序列透過AlphaFold2 NIM微服務進行處理，準確地確定目標蛋白質的3D結構。此步驟涉及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。
圖 2. AlphaFold2 根據胺基酸序 廣告數據 列預測蛋白質的 3D 結構
MolMIM 用於優化潛在客戶開發
初始化學結構透過MolMIM NIM 微服務，產生針對特定性質（例如藥物相似性 (QED)、溶解度（懲罰 log P）和分子相似性）進行最佳化的新分子結構。
根據您的要求，生成的分子在多個循環中迭代優化。
DiffDock 用於分子對接
分子對接有助於確定目標蛋白上藥物結合的最佳位點。優化後的分子與目標蛋白質結構由DiffDock處理，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，從而能夠全面分析潛在的藥物-標靶交互作用。
圖 3. Diffdock 預測分子與蛋白質相互作用的 3D 結構
後處理 ADMET 管道
在DiffDock 之後，使用專有的 ADMET（吸收、分佈、代謝、排泄和毒性）管道進一步篩選前 1K 小分子，評估分子的藥物動力學和藥效學特性。
該管道包括以下組件：
- ADMET 預測：專有模型可預測分子的 ADMET 特性，包括溶解度、滲透性、代謝和毒性。
- 過濾和排名：根據預測的 ADMET 特性對分子進行過濾和排名，確保只選擇最有希望的候選分子進行進一步開發。
Innoplexus ADMET模型
ADMET 模型是一個客製化設計的神經網絡，它使用分子結構及其對應 ADMET 屬性的大型資料集。
此模型使用先進技術進行訓練：
- 多工學習：模型同時針對多個 ADMET 任務進行訓練，提升其整體表現和準確性。
- 遷移學習：該模型在分子結構的大型資料集上進行了微調，使其能夠很好地推廣到新的、看不見的分子。
工作流程優化
該管道針對性能進行了最佳化：
- 資料並行性：跨多個 GPU 和節點的分散式訓練和推理。
- 模型並行性：將大型模型拆分到多個 GPU 和節點上。
- 管道並行性：管道階段之間重疊計算和通訊。