La scienza computazionale accelera l'innovazione della ricerca presso Bristol Myers Squibb

BMS sapeva di dover cambiare il modo in cui forniva calcolo per la ricerca, poiché né il cloud tradizionale né gli approcci tradizionali on-premise stavano soddisfacendo appieno le esigenze scientifiche. "Per garantire la disponibilità delle GPU e massimizzare le risorse computazionali, abbiamo deciso di stabilire un'infrastruttura centralizzata e modernizzata per la ricerca farmacologica. Per ottenere questo risultato, avevamo bisogno di una piattaforma collaudata in grado di scalare con noi mentre progredivamo lungo questo percorso. Ecco perché abbiamo scelto l'architettura NVIDIA DGX SuperPOD, che includeva la capacità di espandersi nel cloud se necessario, una strategia di co-locazione per l'hosting e un partner di accelerazione per superare tutti gli ostacoli iniziali", ha dichiarato Mayo.

Il partner NVIDIA DGX™ Equinix ha gestito con abilità l'infrastruttura DGX SuperPOD, il data center di co-locazione e l'interconnettività, mentre Mark III, un partner di soluzioni NVIDIA, ha fornito competenze cruciali in materia di IA e operazioni.

"L'esperienza di Mark III è stata il catalizzatore dietro la nostra rapida evoluzione da caso d'uso isolato e a nodo singolo all'addestramento multi-nodo continuo e ad alte prestazioni, e ha garantito non solo l'ottimizzazione dei nostri sistemi, ma il progresso continuo attraverso aggiornamenti di routine e un adeguato dimensionamento dei carichi di lavoro", ha dichiarato Brian Wong, Direttore del calcolo per la ricerca presso BMS. "La soluzione Equinix Private AI con DGX ha fornito una piattaforma IA pronta per l'esecuzione senza i mal di testa operativi comunemente associati alle apparecchiature in loco", ha aggiunto Wong.

Di conseguenza, gli scienziati hanno ottenuto risorse computazionali per scalare verso l'alto e verso l'esterno senza costi aggiuntivi per l'amministrazione del sistema. Wong ha aggiunto, "Sfruttare DGX SuperPOD con le integrazioni fluide di Equinix con i fornitori di cloud pubblico ha garantito un movimento dei dati efficiente in termini di costi, ottenendo al contempo un risparmio complessivo del 55% rispetto al modello precedente. I nostri scienziati possono ora facilmente adattare le risorse per soddisfare le esigenze del carico di lavoro, aumentando i nodi per l'addestramento dei modelli linguistici di grandi dimensioni (LLM) quando necessario e riallocandoli alle attività di deep learning secondo necessità."

Dopo essere diventato operativo nel marzo 2024, il DGX SuperPOD ha servito da piattaforma IA centralizzata per i team di ricerca BMS, migliorando significativamente le capacità nell'analisi dei dati di imaging medico su larga scala. Un progetto chiave prevede lo sviluppo di modelli IA di base per l'oncologia, sfruttando le scansioni di TC e di risonanza magnetica degli studi clinici.

Il team BMS ha utilizzato NVIDIA MONAI e DGX SuperPOD per le attività di inferenza per segmentare automaticamente le lesioni. Per migliorare la robustezza, il team ha addestrato i modelli utilizzando set di dati interni attraverso un approccio di apprendimento auto-supervisionato, utilizzando la modellazione delle immagini a maschera.

I risultati hanno accelerato significativamente le tempistiche della ricerca, migliorando l'accuratezza della segmentazione e l'efficienza dell'elaborazione. Inoltre, BMS ha effettuato il benchmark del suo modello di base, addestrato sui dati interni, ottimizzandolo su set di dati pubblici per le attività downstream in cui ha dimostrato prestazioni eccellenti. Il modello di base ora supporta varie applicazioni downstream, fornendo una piattaforma solida per l'innovazione continua nella ricerca oncologica e nel processo decisionale clinico. Il DGX SuperPOD ha fornito a BMS una piattaforma centralizzata che supporta l'intero ciclo di vita dell'IA, dallo sviluppo e l'addestramento rapidi dei modelli all'inferenza scalabile e di livello produttivo.

Nell'immuno-oncologia, prevedere chi risponderà a un trattamento è una sfida importante. I ricercatori di BMS hanno affrontato questo problema utilizzando modelli linguistici di grandi dimensioni e trasformatori per analizzare i complessi dati degli studi clinici. L'innovazione era quella di trattare dati diversi, tra cui genomica, stile di vita e dettagli del trattamento, come frasi grammaticali, simili all'elaborazione del linguaggio naturale. Incorporando questi dati insieme ai risultati come la sopravvivenza e gli eventi avversi, BMS ha creato un modello che prevede gli esiti dei pazienti con una precisione senza precedenti.

Il successo dipendeva in definitiva dall'addestramento dei modelli con dati estesi, che combinavano dati clinici interni, set di dati pubblici e letteratura scientifica. Sfruttando la potenza computazionale del DGX SuperPOD, i modelli BMS hanno superato i trasformatori di base standard, trasformando i loro dati in informazioni utili che potrebbero rivoluzionare le strategie di trattamento oncologico.

Con risorse di calcolo dedicate, dati estesi, competenze tecniche approfondite e domande scientifiche urgenti, i ricercatori possono ora effettuare il lancio di esperimenti ad alto potenziale. "Combinando curiosità e coraggio con competenze e capacità tecnologiche, abbiamo aiutato la nostra community di ricerca a fare scoperte innovative, il tutto al servizio dei nostri pazienti", aggiunge Mayo. Guardando al futuro, l'implementazione di successo del DGX SuperPOD ha posizionato BMS per sfruttare l'IA per la continua innovazione e i progressi nella ricerca farmacologica in tutte le aree terapeutiche e le funzioni scientifiche.