La Ciencia Computacional Acelera la Innovación en la Investigación en Bristol Myers Squibb

BMS sabía que necesitaba cambiar la forma en que proporcionaba computación para la investigación, ya que ni la nube tradicional ni los enfoques tradicionales en las instalaciones satisfacían completamente las necesidades científicas. “Para garantizar la disponibilidad de GPU y maximizar los recursos computacionales, decidimos establecer una infraestructura centralizada y modernizada para el descubrimiento de fármacos. Para lograr esto, necesitábamos una plataforma comprobada que pudiera escalar con nosotros a medida que progresáramos a lo largo de este proceso. Por eso elegimos la arquitectura NVIDIA DGX SuperPOD, que incluía la capacidad de expandirse a la nube según fuera necesario, una estrategia de coubicación para el alojamiento y un socio de aceleración para eliminar todos los obstáculos iniciales”, dijo Mayo.

Equinix, socio de NVIDIA DGX™, administró de forma experta la infraestructura de DGX SuperPOD, el data center de coubicación y la interconectividad, mientras que Mark III, socio de soluciones de NVIDIA, ofreció experiencia crucial en IA y operaciones.

“La experiencia de Mark III fue el catalizador detrás de nuestra rápida evolución de casos de uso aislados de un solo nodo a entrenamiento de nodos múltiples de manera fluida y con alto desempeño, y garantizó que no solo optimizáramos nuestros sistemas, sino que avanzáramos continuamente a través de actualizaciones de rutina y un dimensionamiento adecuado de las cargas de trabajo”, dijo Brian Wong, Director de Computación de Investigación de BMS. “La solución Equinix Private AI con DGX proporcionó una plataforma de IA lista para ejecutar sin los dolores de cabeza operativos comúnmente asociados con los equipos en las instalaciones”, agregó Wong.

Como resultado, los científicos obtuvieron recursos computacionales para escalar sin personal ni gastos adicionales para la administración de sistemas. Wong agregó: “El aprovechamiento de DGX SuperPOD con las integraciones fluidas de Equinix con proveedores de nube pública garantizó un movimiento de datos eficaz en cuanto a costo, y a la vez logró una reducción de los costos generales del 55% en comparación con el modelo anterior. Nuestros científicos ahora pueden ajustar fácilmente los recursos para satisfacer las demandas de las cargas de trabajo, aumentar los nodos para el entrenamiento de grandes modelos de lenguaje (LLM) cuando sea necesario y reasignarlos a las tareas de deep learning cuando lo requieran”.

Desde el inicio de su funcionamiento en marzo de 2024, DGX SuperPOD ha servido como una plataforma de IA centralizada para los equipos de investigación de BMS, lo que mejora significativamente las capacidades en el análisis de datos de imágenes médicas a gran escala. Un proyecto clave implica el desarrollo de modelos base de IA para oncología, aprovechando las tomografías computadas y las imágenes por resonancia magnética de los ensayos clínicos.

El equipo de BMS utilizó NVIDIA MONAI y DGX SuperPOD para tareas de inferencia a fin de segmentar automáticamente las lesiones. Para mejorar la solidez, el equipo entrenó los modelos mediante conjuntos de datos internos a través de un enfoque de aprendizaje autosupervisado, en el que se emplea modelado de imágenes de máscaras.

Los resultados aceleraron significativamente los plazos de investigación, lo que mejoró la precisión de la segmentación y la eficiencia del procesamiento. Además, BMS evaluó su modelo base, entrenado con datos internos, al ajustarlo en conjuntos de datos públicos para tareas posteriores donde demostró un buen desempeño. El modelo base ahora admite varias aplicaciones posteriores, lo que proporciona una plataforma sólida para la innovación continua en la investigación en oncología y la toma de decisiones clínicas. DGX SuperPOD le proporcionó a BMS una plataforma centralizada que admitía todo el ciclo de vida de la IA, desde el desarrollo y el entrenamiento rápidos de modelos hasta la inferencia escalable y de nivel de producción.

En inmuno-oncología, predecir quién responderá a un tratamiento es un gran desafío. Los investigadores de BMS abordaron esto mediante grandes modelos de lenguaje y transformers para analizar datos complejos de ensayos clínicos. La innovación fue tratar diversos datos (como genómica, estilo de vida y detalles de tratamiento) como oraciones gramaticales, de un modo similar al del procesamiento de lenguajes naturales. Al integrar estos datos junto con resultados como la supervivencia y los eventos adversos, BMS desarrolló un modelo que predice los resultados de los pacientes con una precisión sin precedentes.

En última instancia, el éxito dependía de los modelos de entrenamiento con amplia cantidad de datos que combinaran datos clínicos internos, conjuntos de datos públicos y literatura científica. Al aprovechar el poder computacional de DGX SuperPOD, los modelos de BMS superaron a los transformers de línea de base estándar, lo que transformó sus datos en información procesable que podría revolucionar las estrategias de tratamiento en oncología.

Con recursos de computación dedicados, amplia cantidad de datos, profunda experiencia técnica y preguntas científicas urgentes, los investigadores ahora pueden iniciar fácilmente experimentos de alto potencial. “Al combinar la curiosidad y el coraje con las habilidades y la capacidad tecnológicas, hemos ayudado a nuestra comunidad de investigación a hacer descubrimientos innovadores, todos al servicio de nuestros pacientes”, agrega Mayo. De cara al futuro, la implementación exitosa de DGX SuperPOD ha posicionado a BMS para aprovechar la IA para la innovación y los avances continuos en el descubrimiento de medicamentos en todas las áreas terapéuticas y funciones científicas.