Bristol Myers Squibb achète un Nvidia DGX SuperPOD construit sur l’architecture Vera Rubin du fabricant de puces pour prendre en charge l’utilisation de l’intelligence artificielle dans ses opérations de découverte et de développement de médicaments.
La société pharmaceutique a déclaré qu’elle serait le premier groupe des sciences de la vie à acquérir un DGX SuperPOD basé sur Vera Rubin. Nvidia a présenté cette architecture plus tôt cette année en tant que successeur de sa génération actuelle de systèmes informatiques d’IA.
Augmenter la capacité de calcul
Le nouveau cluster comprendra huit systèmes DGX Vera Rubin NVL72, chaque système à l’échelle rack combinant des unités centrales de traitement Nvidia Vera et des unités de traitement graphique Rubin.
BMS utilisera l’infrastructure pour former des modèles exclusifs et exécuter des prédictions dans l’ensemble de ses programmes de recherche. Le système prendra en charge les travaux impliquant des composés, des protéines et d’autres données scientifiques.
Les conditions financières n’ont pas été divulguées. L’achat étend l’infrastructure Nvidia existante de BMS, qui comprend un SuperPOD plus ancien que les dirigeants de l’entreprise ont décrit comme étant deux ou trois générations derrière Vera Rubin.
BMS exploite son DGX SuperPOD existant depuis environ trois ans. L’entreprise prévoit de le combiner avec le système Vera Rubin dans un environnement informatique partagé accessible depuis ses sites de recherche dans le monde entier.
La pile logicielle SuperPOD peut planifier des charges de travail de formation, de prédiction et de développement sur l’ensemble de l’infrastructure. BMS a déclaré que l’environnement élargi donnera à davantage de scientifiques un accès direct à ses ressources informatiques.
Greg Meyers, directeur du numérique et de la technologie chez BMS, a déclaré que les besoins informatiques ont augmenté à mesure que l’entreprise déploie des modèles d’IA plus vastes au sein de son organisation de recherche.
Erin Davis, vice-présidente de la recherche sur les connaissances commerciales et la technologie chez BMS, a déclaré que l’infrastructure existante fonctionnait à pleine capacité. Elle a attribué cette demande aux prédictions à grande échelle impliquant de grosses molécules et au développement de modèles de base internes.
Davis a déclaré que le nouveau système ne se limiterait pas à un petit groupe de chercheurs en informatique. BMS prévoit de le rendre disponible dans l’ensemble de l’organisation de recherche sans les délais d’attente et les limites d’accès associés à son infrastructure actuelle.
Appliquer l’IA à la découverte de médicaments
BMS a déclaré que l’IA éclaire 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 de cibles, à l’optimisation des pistes, aux prédictions de grandes molécules et au développement de modèles internes.
La société a déclaré que l’identification des cibles grâce à l’IA avait réduit de plusieurs semaines certains travaux de recherche manuels. Les charges de travail de prédiction de grosses molécules contribuent également à la demande de capacités de traitement graphique supplémentaires.
Robert Plenge, directeur de la recherche chez BMS, a déclaré que le nouveau système permettra aux scientifiques d’évaluer davantage de candidats médicaments potentiels au cours des premières étapes de développement.
« Peut-être qu’avant nous pouvions en faire 10 et maintenant nous pouvons en faire des dizaines », a déclaré Plenge.
Le criblage informatique permet aux chercheurs d’évaluer les composés potentiels avant de sélectionner un groupe plus petit pour la synthèse et les tests en laboratoire.
BMS applique cette approche via une méthode appelée « Predict First », qui utilise des prédictions générées par un modèle pour exclure les molécules qui ne répondent pas aux propriétés requises avant que les candidats ne soient sélectionnés pour la synthèse.
Payal Sheth, vice-président senior des sciences de la découverte thérapeutique chez BMS, a déclaré que les chercheurs utilisent les prédictions pour identifier les molécules possédant la combinaison requise de propriétés.
« Nous utilisons les prédictions pour prioriser la synthèse de molécules avec une optimisation multi-paramètres », a déclaré Sheth. « Cela garantit que les précieuses expériences de laboratoire sont alignées sur les molécules en progression qui ont la plus grande probabilité de succès. »
La 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 prévues d’un programme.
BMS a également utilisé l’IA pour élargir sa bibliothèque de composés CELMoD, conçus pour dégrader sélectivement les protéines cancérigènes. La société étudie les composés présents dans les cancers du sang et d’autres maladies.
BMS a déclaré que le travail de modélisation a 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 destinés aux 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 contre la drépanocytose au début du développement clinique comme exemple de recherche soutenue par l’IA. Plenge a déclaré que le traitement n’aurait probablement pas été découvert sans les outils d’IA de l’entreprise.
Les chiffres font référence au temps nécessaire pour identifier et produire des candidats pour les tests cliniques plutôt qu’à leur performance ultérieure dans les essais.
Le système Vera Rubin donnera également aux chercheurs accès à la boîte à outils BioNeMo Agent de 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’amarrage moléculaire, l’analyse de séquences et la génomique. Il peut également connecter plusieurs outils informatiques au sein d’un même flux de recherche.
Les dirigeants de BMS ont déclaré que les chercheurs humains continueraient d’examiner les résultats des modèles et de décider quels composés ou programmes devraient progresser.
Connecter les sites de recherche
BMS introduit des outils destinés à réduire les connaissances spécialisées requises pour lancer des tâches informatiques complexes. La société a déclaré que les chercheurs pourront lancer certaines requêtes de prédiction en utilisant des instructions en langage naturel.
L’environnement sera géré via Nvidia Mission Control, dont les fonctions incluent le provisionnement du cluster, la surveillance de l’infrastructure et la gestion de la charge de travail, selon BMS.
L’infrastructure unifiée permettra aux données et aux résultats des modèles générés sur un site d’être utilisés par des équipes ailleurs. BMS a déclaré que les ensembles de données d’un programme de Lawrenceville, dans le New Jersey, par exemple, peuvent être incorporés dans les modèles utilisés par les chercheurs de San Diego.
Sheth a déclaré que l’environnement partagé est destiné à conserver les informations provenant des expériences et des programmes de recherche à travers l’organisation.
« L’infrastructure informatique est ce qui relie tous nos scientifiques entre eux et garantit que nos apprentissages sont institutionnalisés », a déclaré Sheth.
Les deux SuperPOD fonctionneront dans un environnement de données commun, permettant aux équipes de différents sites d’accéder à des ensembles de données partagés et aux résultats du modèle. BMS a déclaré que l’environnement comprendra des informations provenant d’expériences, de résultats cliniques et de partenariats de recherche.
La société prévoit d’allouer la nouvelle capacité informatique 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 prévus sur le jumeau numérique ni sur la quantité de capacité attribuée à chaque zone.
Meyers a déclaré que le système Vera Rubin fournirait une capacité de calcul supérieure à sa consommation d’électricité. BMS et Nvidia ont déclaré que le cluster de huit systèmes offrirait des performances par mégawatt jusqu’à 10 fois supérieures à celles de l’infrastructure qu’il remplace.
« Lorsque vous hébergez ces choses, vous devez payer une facture d’électricité », a déclaré Meyers. « Pensez-y à une capacité de calcul 10 fois supérieure par watt dépensé… L’électricité ne devient pas moins chère. »
BMS n’a pas fourni de date de déploiement spécifique ni identifié l’endroit où le nouveau système sera hébergé.
(Photo de Chidera Faustina Okeke)
