人工智能与药物发现的结合正在彻底改变新药物的研发。传统方法耗时且成本高昂，一种新药的上市可能需要长达15年时间和10亿至20亿美元的资金。人工智能和先进的计算工具加速了新药的筛选，显著降低了时间和成本。
传统药物发现的挑战
传统的药物发现涉及识别生物靶标（例如蛋白质），并寻找能够与其相互作用并调节其功能的分子。生物系统的复杂性以及数量庞大（约10^60）的潜在化学结构，使得这项工作极具挑战性。传统的计算机辅助药物发现 (CADD) 方法通常依赖于简化模型，导致临床试验中的高失败率。
基于人工智能的虚拟筛选方法
Innoplexus，一家NVIDIA Inception初创公司，利用其专有的深度学习方法和NVIDIA NIM微服务来优化药物发现流程。他们利用 NVIDIA H100 GPU 集群，其配置如下：
加速器： NVIDIA H100 Tensor Core GPU
内存： 80-GB HBM3
互连： NVIDIA NVLink 4.0
集群配置： 高速互连的可扩展多节点集群
这种方法基于NVIDIA NIM Agent Blueprint，用于生成式虚拟筛选，可以快速生成新的分子结构，从而加速模拟和对接过程。Innoplexus的专业知识与NVIDIA的AI技术相结合，正在变革药物发现，使其更快、更高效、更精准。Innoplexus开发了一条AI驱动的流程，用于寻找治疗与TDP-43蛋白聚集相关的神经退行性疾病的新疗法。
Innoplexus 的深度学习方法
Innoplexus使用专门设计的人工神经网络 (ANN) 进行蛋白质靶标预测，并在蛋白质序列、结构信息和分子相互作用的大型数据集上进行训练。
Innoplexus 利用以下 NVIDIA NIM 微服务：
AlphaFold2： 蛋白质结构预测
MolMIM： 优化先导化合物发现
DiffDock： 分子对接
这些AI工具简化了药物发现流程，并确定了以TDP-43为靶标、有望延缓这些疾病进展的候选药物。
AlphaFold2 用于蛋白质结构预测
AlphaFold2 根据氨基酸序列确定靶蛋白的三维结构。
MolMIM 用于优化先导化合物发现
MolMIM生成针对药物相似性 (QED)、溶解度（惩罚性 logP）和分子相似性等特性进行优化的新分子结构。生成的分子经过迭代优化。
DiffDock 用于分子对接
DiffDock预测分子与蛋白质的结合模式，确定最佳结合位点。可以定义对接约束，以全面分析药物-靶标相互作用。
后处理 ADMET 流程
使用专有的ADMET（吸收、分布、代谢、排泄和毒性）流程筛选DiffDock中的前1000个小分子，评估其药代动力学和药效学特性。该流程包括：
ADMET 预测： 预测溶解度、渗透性、代谢和毒性等 ADMET 特性。
筛选和排序： 根据预测的 ADMET 特性筛选和排序分子。
Innoplexus ADMET 模型
ADMET 模型是一个定制的神经网络，在分子结构及其 ADMET 特性的大型数据集上进行训练。它利用：
多任务学习： 在多个ADMET任务上同时进行训练。
迁移学习： 通过在大型数据集上进行微调来实现泛化。
工作流程优化
该流程使用以下方法进行了性能优化：
数据并行： 分布式训练和推断。
模型并行： 将大型模型拆分到多个 GPU 上。
流水线并行： 流水线各阶段的重叠执行。
GPU 及其加速计算方法使得该方案的密集型运算得以快速执行，并在实际时间表内完成。实际应用和意义
基于 NVIDIA H100 集群的 Innoplexus AI 驱动管线可快速识别化合物，除了将分子对接速度提升高达 10 倍之外，还能加速生成分子的虚拟筛选，使**研究人员能够执行以下任务：
在 5到8小时内筛选 580万个小分子。
通过对百万个化合物进行 ADMET 特性分析，在几小时内识别出具有高治疗价值的前 1% 的化合物。
以 90% 的准确率优化先导化合物结构。
借助AI和高性能计算的力量，您可以快速探索浩瀚的化学空间，并精准定位有潜力的候选药物，从而显著加速药物研发。
立即行动
AI 和高性能计算将彻底革新药物发现领域，从而能够更快、更准确地识别潜在的候选药物。
Innoplexus 虚拟筛选流程结合了尖端的神经网络算法、生成模型和先进的分子对接技术，为加速新药发现提供了强有力的工具，最终改善患者预后，并降低新疗法上市的成本和时间。
立即使用 NVIDIA NIM Agent Blueprint 体验生成式虚拟筛选，并深入了解 Innoplexus
