Amgen entwickelte einen generativen Biologie-Workflow unter Verwendung von KI und maschinellem Lernen, der mit einer Reihe von Spezifikationen beginnt, die ein Kandidat erfüllen muss. Anschließend schlagen generative KI-Modelle neue Designs vor, und prädiktive Modelle bewerten und ordnen diese Designs ein. Dies geschieht iterativ, bis Moleküle gefunden sind, die die Spezifikationen erfüllen, zu denen auch Kriterien für Wirksamkeit, Sicherheit und Herstellbarkeit gehören. Die Evaluierung so vieler Designs in silico mit diesen generativen Modellen reduziert die Belastung der Nasslabors.
“Um Modelle zu entwickeln, die uns bei der Entwicklung guter Biologika helfen können, musste unsere Plattform ein schnelles Vortraining und eine Feinabstimmung über eine Reihe von Experimenten hinweg unterstützen“, sagt Langmead. „Wir brauchten die Flexibilität, um mit unterschiedlichen Daten und Größenordnungen zu experimentieren. Mit NVIDIA BioNeMo auf DGX Cloud konnten wir problemlos ein verteiltes Training komplexer Modelle in einer Multi-GPU-Umgebung durchführen. Die Fähigkeiten und die Leistung von NVIDIA BioNeMo und DGX Cloud waren genau das, was wir brauchten und standen uns zur Verfügung, als wir sie brauchten.”
„Einer der Hauptvorteile von DGX Cloud war der bemerkenswert schnelle Onboarding-Prozess. Wir waren in der Lage, vom ersten Login bis zum Vortraining großer Modelle in nur wenigen Tagen voranzukommen. BioNeMo auf DGX Cloud ist eine schlüsselfertige Lösung – unsere Benutzer müssen nur Daten bereitstellen und das Modell durch Anpassung einiger Konfigurationsdateien spezifizieren, und BioNeMo übernimmt alle anderen Aspekte des Prozesses.”
Amgen trainierte das Protein-LLM ESM-1nv in BioNeMo auf der DGX Cloud mit proprietären Antikörpern von Amgen. Dies führte zu fünf trainierten antikörperspezifischen LLMs. BioNeMo verfügt über hochmoderne biomolekulare Großsprachen- und Diffusionsmodelle für das Training und die Inferenz in Workflows der frühen Phase der Arzneimittelentdeckung. Dazu gehören Modelle zur Generierung von Proteinen und kleinen Molekülen, zum Verständnis der Eigenschaften von Proteinen und kleinen Molekülen, zur Vorhersage der Bindungsstrukturen von an Proteine gebundenen kleinen Molekülen und zur Vorhersage der 3D-Struktur von Proteinen.