Nvidia et Bristol Myers : l'IA transforme la recherche médicale

Bristol Myers Squibb mise sur l'IA de Nvidia pour la recherche médicale

Bristol Myers Squibb (BMS), un géant de l'industrie pharmaceutique, a récemment fait l'acquisition d'un système d'intelligence artificielle avancé, le Nvidia DGX SuperPOD. Ce système repose sur l'architecture Vera Rubin, développée par Nvidia, un leader mondial dans la fabrication de puces. Cette acquisition vise à renforcer les capacités de BMS dans la découverte et le développement de nouveaux médicaments.

Cette initiative marque une première dans le domaine des sciences de la vie, car BMS est le premier acteur de ce secteur à se doter d'un DGX SuperPOD basé sur Vera Rubin. Nvidia a introduit cette nouvelle architecture plus tôt dans l'année, en tant que successeur de ses systèmes de calcul IA précédents.

Renforcement des capacités de calcul

Le cluster nouvellement acquis par BMS comprendra huit systèmes DGX Vera Rubin NVL72. Chacun de ces systèmes est conçu à l'échelle d'un rack, combinant des unités centrales de traitement Nvidia Vera et des unités de traitement graphique Rubin.

Cette infrastructure de pointe sera utilisée par BMS pour entraîner des modèles propriétaires et réaliser des prédictions dans le cadre de ses programmes de recherche. Les travaux soutenus par ce système incluront l'analyse de composés chimiques, de protéines, et d'autres données scientifiques cruciales.

Bien que les détails financiers de cet achat n'aient pas été divulgués, il est clair que cette acquisition élargit considérablement l'infrastructure Nvidia déjà en place chez BMS. L'entreprise disposait déjà d'un SuperPOD, mais celui-ci était considéré comme obsolète, étant deux à trois générations en retard par rapport à la technologie Vera Rubin.

BMS a exploité son SuperPOD actuel pendant environ trois ans et prévoit de l'intégrer au système Vera Rubin pour créer un environnement de calcul partagé. Cet environnement sera accessible depuis les différents sites de recherche de BMS à travers le monde.

La pile logicielle du SuperPOD est capable de planifier les charges de travail d'entraînement, de prédiction et de développement sur l'ensemble de l'infrastructure. Grâce à cet environnement élargi, un plus grand nombre de scientifiques pourront accéder directement aux ressources de calcul.

Greg Meyers, directeur numérique et technologique de BMS, a souligné que les besoins en calcul ont considérablement augmenté avec le déploiement de modèles IA plus volumineux dans l'organisation de recherche.

Erin Davis, vice-présidente des insights commerciaux et de la technologie de recherche chez BMS, a noté que l'infrastructure actuelle fonctionne déjà à pleine capacité. Elle a attribué cette demande croissante à des prédictions à grande échelle impliquant de grandes molécules et au développement de modèles fondamentaux internes.

Davis a précisé que le nouveau système ne sera pas réservé à un petit groupe de chercheurs en informatique. BMS prévoit de le rendre accessible à l'ensemble de l'organisation de recherche, éliminant ainsi les délais d'attente et les limites d'accès associés à l'infrastructure actuelle.

L'IA au cœur de la découverte de médicaments

BMS a indiqué que l'intelligence artificielle joue un rôle central dans la conception de chaque programme de petites molécules et dans la majorité de ses programmes de grandes molécules. L'IA est appliquée à l'identification des cibles, à l'optimisation des leads, aux prédictions de grandes molécules et au développement de modèles internes.

Grâce à l'IA, l'identification des cibles a permis de réduire certains travaux de recherche manuels de plusieurs semaines. Les charges de travail de prédiction de grandes molécules nécessitent également une capacité de traitement graphique accrue.

Robert Plenge, directeur de la recherche chez BMS, a déclaré que le nouveau système permettra aux scientifiques d'évaluer un plus grand nombre de candidats médicaments potentiels dès les premières étapes de développement.

"Peut-être qu'avant nous pouvions en faire 10 et maintenant nous pouvons en faire des dizaines", a-t-il déclaré.

Le criblage computationnel permet aux chercheurs d'évaluer des composés potentiels avant de sélectionner un groupe plus restreint pour la synthèse et les tests en laboratoire.

BMS applique cette approche à travers une méthode qu'elle appelle "Predict First", qui utilise des prédictions générées par des modèles pour exclure les molécules qui ne répondent pas aux propriétés requises avant que les candidats ne soient sélectionnés pour la synthèse.

Payal Sheth, vice-présidente senior des sciences de découverte thérapeutique chez BMS, a déclaré que les chercheurs utilisent les prédictions pour identifier des molécules avec la combinaison de propriétés requises.

"Nous utilisons les prédictions comme un moyen de prioriser la synthèse de molécules avec optimisation multi-paramètres", a-t-elle expliqué. "Cela garantit que les expériences de laboratoire précieuses sont alignées avec les molécules en progression qui ont la plus forte probabilité de succès."

Cette méthode réduit le nombre de composés envoyés pour des tests en laboratoire, permettant aux chercheurs de concentrer les expériences sur les molécules qui répondent aux exigences prédites d'un programme.

BMS a également utilisé l'IA pour élargir sa bibliothèque de composés CELMoD, conçus pour dégrader sélectivement les protéines causant le cancer. L'entreprise étudie ces composés dans le cadre de 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 pour les essais cliniques. Plenge a mentionné 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 de la drépanocytose en début de développement clinique comme un exemple de recherche soutenue par l'IA. Plenge a déclaré que ce 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 l'Agent Toolkit BioNeMo de Nvidia pour des applications biologiques et de découverte de médicaments.

BioNeMo fournit des outils pour la prédiction de la structure des protéines, la génération de molécules, le docking moléculaire, l'analyse de séquences et la génomique. Il peut également connecter plusieurs outils computationnels au sein du même flux de travail de recherche.

Les dirigeants de BMS ont déclaré que les chercheurs humains continueront à examiner les résultats des modèles et à décider quels composés ou programmes devraient avancer.

Connecter les sites de recherche à travers le monde

BMS introduit des outils destinés à réduire les connaissances spécialisées requises pour initier des tâches de calcul complexes. L'entreprise a déclaré que les chercheurs pourront commencer certaines demandes de prédiction en utilisant des instructions en langage naturel.

L'environnement sera géré par Nvidia Mission Control, dont les fonctions incluent la provision de clusters, la surveillance de l'infrastructure et la gestion des charges 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 à Lawrenceville, New Jersey, par exemple, peuvent être intégrés dans des modèles utilisés par des chercheurs à San Diego.

Sheth a déclaré que l'environnement partagé vise à conserver les informations des expériences et des programmes de recherche à travers l'organisation.

"L'infrastructure de calcul est ce qui connecte tous nos scientifiques ensemble et garantit que nos apprentissages sont institutionnalisés", a déclaré Sheth.

Les deux SuperPODs fonctionneront à travers un environnement de données commun, permettant aux équipes de différents sites d'accéder à des ensembles de données et à des résultats de modèles partagés. BMS a déclaré que l'environnement inclura des informations provenant d'expériences, de résultats cliniques et de partenariats de recherche.

L'entreprise prévoit d'allouer la nouvelle capacité de calcul 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 de jumeaux numériques prévus ni sur la quantité de capacité attribuée à chaque domaine.

Meyers a déclaré que le système Vera Rubin fournira plus de capacité de calcul par rapport à sa consommation d'électricité. BMS et Nvidia ont déclaré que le cluster de huit systèmes offrira jusqu'à dix fois la performance par mégawatt de l'infrastructure qu'il remplace.

"Lorsque vous hébergez ces choses, vous devez payer une facture d'électricité", a déclaré Meyers. "Pensez-y comme à dix fois plus de capacité de calcul par watt dépensé... L'électricité ne devient pas moins chère."

BMS n'a pas fourni de date de déploiement spécifique ni identifié où le nouveau système sera hébergé.