Computergestützte Wissenschaft beschleunigt Forschungsinnovationen bei Bristol Myers Squibb

BMS war sich bewusst, dass es die Bereitstellung von Rechenleistung für die Forschung ändern musste, da weder herkömmliche Cloud- noch herkömmliche lokale Methoden den wissenschaftlichen Anforderungen vollständig gerecht wurden. „Um die GPU-Verfügbarkeit zu gewährleisten und die Rechenressourcen zu maximieren, haben wir uns für den Aufbau einer zentralisierten und modernisierten Infrastruktur für die Medikamentenentwicklung entschieden. Um dies zu erreichen, benötigten wir eine bewährte Plattform, die mit uns wachsen konnte, während wir diesen Weg beschritten. Aus diesem Grund haben wir uns für die NVIDIA DGX SuperPOD-Architektur entschieden, die die Möglichkeit bot, bei Bedarf auf die Cloud zu erweitern, eine Colocation-Strategie für das Hosting und einen Beschleunigungspartner, um alle anfänglichen Hürden zu überwinden“, erkläuterte Mayo.

Der NVIDIA DGX™-Partner Equinix verwaltete fachmännisch die DGX SuperPOD-Infrastruktur, das Colocation-Rechenzentrum und die Netzwerkkonnektivität, während Mark III, ein NVIDIA-Lösungspartner, entscheidende KI- und Betriebs-Expertise beisteuerte.

„Das Fachwissen von Mark III war der Katalysator für unsere rasante Entwicklung von isolierten Anwendungsfällen mit einem einzelnen Knoten zu nahtlosem, hochleistungsstarkem Training mit mehreren Knoten. Dadurch konnten wir nicht nur unsere Systeme optimieren, sondern durch regelmäßige Aktualisierungen und eine angemessene Workload-Größe kontinuierlich Fortschritte erzielen“, erklärte Brian Wong, Direktor für forschungsrelevante Datenverarbeitung bei BMS. „Die Equinix Private AI mit DGX-Lösung bot eine einsatzbereite KI-Plattform ohne die betrieblichen Probleme, die üblicherweise mit lokalen Geräten verbunden sind“, fügte Wong hinzu.

Dadurch erhielten die Wissenschaftler Rechenressourcen, die sie ohne zusätzliches Personal oder Kosten für die Systemadministration skalieren konnten. Wong fügte hinzu: „Die Nutzung von DGX SuperPOD mit der nahtlosen Integration von Equinix mit Public-Cloud-Anbietern sorgte für eine kosteneffektive Datenbewegung und erzielte dabei eine Gesamtkosteneinsparung von 55 % im Vergleich zum vorherigen Modell. Unsere Wissenschaftler können die Ressourcen jetzt einfach an die Workload-Anforderungen anpassen, indem sie bei Bedarf die Anzahl der Knoten für das Training großer Sprachmodelle (LLM) erhöhen und sie bei Bedarf für Deep Learning-Aufgaben neu zuweisen.“

Nach der Inbetriebnahme im März 2024 diente DGX SuperPOD als zentralisierte KI-Plattform für die Forschungsteams von BMS und hat die Möglichkeiten zur Analyse umfangreicher medizinischer Bilddaten erheblich verbessert. Ein Schlüsselprojekt umfasst die Entwicklung grundlegender KI-Modelle für die Onkologie unter Verwendung von CT- und MR-Scans aus klinischen Studien.

Das BMS-Team nutzte NVIDIA MONAI und DGX SuperPOD für Inferenzaufgaben zur automatischen Segmentierung von Läsionen. Um die Robustheit zu erhöhen, trainierte das Team die Modelle mit internen Datensätzen durch einen selbstüberwachten Lernansatz unter Einsatz von Maskenbildmodellierung.

Die Ergebnisse beschleunigten die Forschungszeitpläne erheblich und verbesserten die Segmentierungsgenauigkeit und die Verarbeitungseffizienz. Darüber hinaus hat BMS sein auf internen Daten trainiertes Basismodell durch Feinabstimmung auf öffentliche Datensätze für nachgelagerte Aufgaben optimiert, wo es eine hohe Leistung zeigte. Das Basismodell unterstützt nun verschiedene nachgelagerte Anwendungen und bietet eine starke Plattform für kontinuierliche Innovationen in der Krebsforschung und der klinischen Entscheidungsfindung. Mit dem DGX SuperPOD stand BMS eine zentralisierte Plattform zur Verfügung, die den gesamten KI-Lebenszyklus unterstützt – von der schnellen Modellentwicklung und dem Training bis hin zu skalierbaren, produktionsgerechten Inferenzprozessen.

In der Immunonkologie stellt die Vorhersage, wer auf eine Behandlung ansprechen wird, eine große Herausforderung dar. Die Forscher von BMS gingen dieses Problem mit großen Sprachmodellen und Transformern an, um komplexe Daten aus klinischen Studien zu analysieren. Die Innovation bestand darin, verschiedene Daten – darunter bezüglich Genomik, Lebensstil und Details der Behandlung – ähnlich wie bei der Verarbeitung natürlicher Sprache als grammatikalische Sätze zu behandeln. Durch die Einbettung dieser Daten neben Ergebnissen wie Überlebensraten und unerwünschten Ereignissen konnte BMS ein Modell entwickeln, das die Ergebnisse für Patienten mit beispielloser Genauigkeit vorhersagt.

Der Erfolg hing letztendlich von Trainingsmodellen mit umfangreichen Daten ab, die interne klinische Daten, öffentliche Datensätze und wissenschaftliche Literatur kombinierten. Unter Nutzung der Rechenleistung von DGX SuperPOD übertrafen die BMS-Modelle herkömmliche Baseline-Transformers und verwandelten die Daten in umsetzbare Erkenntnisse, die die Strategien zur Behandlung von Krebs revolutionieren könnten.

Mit dedizierten Rechenressourcen, umfangreichen Daten, fundiertem technischem Fachwissen und dringenden wissenschaftlichen Fragen können Forscher nun problemlos vielversprechende Experimente durchführen. „Durch die Kombination von Neugier und Mut mit technologischen Fähigkeiten und Kapazitäten haben wir unsere Forschungsgemeinschaft dabei unterstützt, innovative Entdeckungen zu machen, die unseren Patienten zugutekommen“, fügt Mayo hinzu. Mit Blick auf die Zukunft hat die erfolgreiche Implementierung von DGX SuperPOD BMS in die Lage versetzt, KI für fortlaufende Innovation und Fortschritte in der Medikamentenentwicklung in allen therapeutischen Bereichen und wissenschaftlichen Funktionen zu nutzen.