生醫AI · us
當算力走進藥物實驗室:必治妥施貴寶押注新一代AI超級電腦
八套Vera Rubin系統將把分子設計、靶點研判與模型訓練帶進同一運算環境;但更大的候選藥搜尋空間,仍不等於更高的臨床成功率。
藥物研發的瓶頸,往往不是缺少可測試的分子,而是如何從近乎無邊的選項中,挑出最值得送進實驗室的少數候選物。必治妥施貴寶(Bristol Myers Squibb,BMS)如今把答案的一部分押在更大規模的運算:公司將部署第二套NVIDIA DGX SuperPOD,試圖讓AI從個別研究工具,變成串連藥物發現流程的共用基礎設施。
新系統由八套DGX Vera Rubin NVL72組成,將與BMS既有的SuperPOD整合,形成各地研究據點皆可使用的單一環境。依兩家公司說法,這套架構每百萬瓦效能最高可達所取代設備的10倍,因此可承擔更大型的生醫基礎模型、預測工作與AI代理流程,而不必讓耗能按相同比例增加。這是供應商與採購方提出的架構效能宣稱,尚不是藥物研發產出的比較結果。
具體用途落在研發決策的前端。BMS計畫以數十年累積的內部資料訓練專有模型,並視需要採用NVIDIA BioNeMo工具,讓系統協助整理靶點證據、預測分子性質、設計候選結構及檢驗研究假說。所謂「Predict First」,是先用模型篩掉不符合多項條件的設計,再決定哪些分子值得合成與進入濕實驗;AI代理則可代辦跨資料庫查找與重複分析,把研究人員的時間留給結果解讀和實驗取捨。
BMS表示,AI已用於所有小分子計畫及多數大分子計畫;靶點辨識與驗證的自動化,可省下數週人工工作。路透引述公司研發主管Robert Plenge指出,AI讓團隊在早期階段能評估數十個候選藥,而非過去約10個,並已將部分進入臨床試驗藥物的開發時間縮短約20%至30%。這些數字來自公司內部經驗,報導未提供計算基準、對照組、涵蓋計畫數或經同儕審查的驗證資料。
更大的運算能力也不能替代生物學與臨床證據。模型可以排序分子,卻仍須透過細胞、動物與人體試驗確認藥效、毒性及適用族群;若訓練資料帶有偏差、缺漏或不可比的實驗條件,模型也可能把既有誤差放大。當AI產出的分析進入候選藥選擇與臨床開發,企業還必須建立資料來源追蹤、模型版本管理、結果重現與人工覆核機制,才能因應品質稽核及監管查驗。
這項投資延續BMS與NVIDIA近三年的合作,也反映大型藥廠正把自有AI算力視為研發競爭的一環;Roche與禮來近期亦公布過NVIDIA基礎設施計畫。不過,BMS未揭露採購金額、建置時程或量化的研發成功指標。真正的考驗並非系統能生成多少預測,而是它能否在可稽核的條件下,持續淘汰錯誤假說,並提高最終候選藥通過臨床驗證的機率。