GPU-fähige Deep-Learning-Algorithmen und Transformer-Modelle werden jede Phase der Medikamentenentwicklung beschleunigen. Von der Schulung großer Sprachmodelle (LLMs) mit Verständnis für den chemischen Raum bis hin zu Molekulardynamiksimulationen, Proteinstrukturprognosen und generativer Medikamentenentwicklung – mit neuartigen Deep-Learning-Technologien erkunden Wissenschaftler das sich ständig erweiternde chemische Universum neu.
NVIDIA Clara™ Discovery ist eine Sammlung von GPU-beschleunigten und optimierten Frameworks, Tools, Anwendungen und vorab trainierten Modellen für die computergestützte Medikamentenentwicklung. Clara Discovery wurde zur Unterstützung interdisziplinärer Arbeitsabläufe entwickelt und hilft Wissenschaftlern und Forschern, Medikamente schneller auf den Markt zu bringen und neue Möglichkeiten für die Erforschung des Krankheitsmechanismus zu schaffen.
Unterstützt durch Deep Learning und neuronale Transformer-Netzwerke.
Credit: Mahendra awale, CC BY-SA 3.0 https://creativecommons.org/licenses/by-sa/3.0 , via Wikimedia Commons
Transformer-basierte große Sprachmodelle arbeiten mit BioNeMo im Supercomputing-Maßstab.
BioNeMo wurde auf der GTC angekündigt und ist ein Anwendungs-Framework und Clouddienst basierend auf NVIDIA NeMo Megatron für Training und Bereitstellung großer biomolekularer Transformer-KI-Modelle im Supercomputing-Maßstab. BioNeMo verfügt über vorab trainierte große Sprachmodelle und ist auf die Sprache von Proteinen, der DNA und dem vereinfachten Molekulareingabelinien-Eingabesystem (SMILES) zugeschnitten.
Beschleunigen Sie wichtige Anwendungen in der Medikamentenentwicklung.
Die Medikamentenentwicklung benötigt viele Workflows – von der Erforschung des chemischen Universums über die Vorhersage von Proteinstrukturen über das Analysieren von Arzneimittelkandidaten bis hin zur Simulation von Molekülen. Fördern Sie Durchbrüche mit den leistungsstarken Tools von Clara Discovery, die im NVIDIA NGC-Katalog™ verfügbar sind.
Chemoinformatik im Detail
Transformer-basierte große Sprachmodelle schaffen neue Möglichkeiten für die Echtzeit-Erforschung des chemischen Universums. BioNeMo ist ein domänenspezifisches Framework basierend auf NeMo Megatron für das Training und die Bereitstellung biomolekularer LLMs im Supercomputing-Maßstab. Es enthält die Transformer-Modelle MegaMolBART, ESM-1b und ProtT5.
MegaMolBART ist ein generatives Chemiemodell, das mit 1,4 Milliarden Molekülen (SMILES-Zeichenfolgen) trainiert wurde und für eine Vielzahl von Chemoinformatik-Anwendungen in der Medikamentenentwicklung verwendet werden kann, wie Reaktionsprognose, molekulare Optimierung und De-novo-Molekülgeneration für kleine Moleküle.
Bei ProtT5 und ESM-1b hat sich gezeigt, dass nicht überwachtes Vorabtraining verwendet werden kann, um gelernte Einbettungen zu erzeugen, die Eigenschaften zur Vorhersage von Proteinstruktur, Funktion, zellulärem Standort, Wasserlöslichkeit, Membrangebundenheit, konservierten und variablen Regionen und mehr enthalten.
Proteinstrukturen vorhersagen
Deep-Learning-basierte Ansätze wie RELION ermöglichen die Automatisierung mit hohem Durchsatz der Kryoelektronenmikroskopie (Kryo-EM) zur Bestimmung von Proteinstrukturen Bei RELION wird ein empirischer Bayesscher Ansatz für die Analyse von Kryo-EM implementiert, um einzelne oder mehrere 3D-Rekonstruktionen sowie 2D-Klassen-Durchschnittswert genauer zu machen.
Um Proteinstrukturen mit atomistischen Details zu verstehen, können Tools wie MELD verwendet werden, um Strukturen aus spärlichen, zweideutigen oder ungenauen Daten abzuleiten. MELD nutzt Daten in einem physikbasierten Bayesschen Framework, um die Proteinstrukturbestimmung zu verbessern.
Bild mit freundlicher Genehmigung von Rommie Amaro und der University of California San Diego
Virtuelles Screening beschleunigen
Mit KI und beschleunigtem Computing kann in Millionen von Arzneimittelkandidaten ein starres Zielprotein gesucht werden. AutoDock ist eine wachsende Sammlung von Methoden für rechnergestütztes Docking und virtuelles Screening, die bei der strukturbasierten Medikamentenentwicklung und der Erforschung von grundlegenden Mechanismen der biomolekularen Struktur eingesetzt werden.
Molekulardynamiksimulationen unterstützen
GPU-gestützte Molekulardynamik-Frameworks können die grundlegenden Mechanismen der Zellen simulieren und berechnen, wie stark sich ein bestimmter Wirkstoff an das gewünschte Zielprotein bindet. Durch maschinelles Lernen erworbene Potenziale, die vielversprechende Eigenschaften für Präzision, Energien und Kräfte auf quantenmechanischer Ebene zeigen, verändern die molekulare Simulation grundlegend.
Clara Discovery umfasst eine Vielzahl von Tools und Frameworks für die molekulare Simulation, darunter GROMACS, NAMD, Tinker-HP, VMD, TorchANI und DeePMD-Kit.
Lösungen für beschleunigtes Computing entdecken
Optimiert für F&E in der Pharmaindustrie
Clara Discovery ist für die Ausführung auf NVIDIA DGX™ A100 ausgelegt, dem weltweit fortschrittlichsten KI-System mit einer Leistung von fünf PetaFLOPS. DGX A100 wurde speziell für alle beschleunigten Rechnerarbeitslasten in großem Maßstab entwickelt und bietet Forschern die kürzeste Dauer bis zur Lösung und eine einheitliche, einfach zu implementierende Infrastruktur zur Unterstützung der nächsten Generation der Medikamentenentwicklung.
HPC-Anwendungsleistung anzeigen
HPC-Anwendungsleistung anzeigen
Whitepaper zu PODs der Pharmaindustrie ansehen
Erfahren Sie mehr über die fortschrittliche Rechenplattform von Schrödinger
Full-Stack-Beschleunigung
Lernen Sie die Clara Discovery-Partner kennen.
