以生成式AI技術與BioNeMo雲端服務加速藥物探索

【產業痛點】

藥物發現是個耗時且昂貴的過程。根據資料顯示，從初期發現到新藥上市，平均需要10至15年，且成本高達20億美元。此外，藥物發現過程中，僅有10%的候選藥物最終能夠進入市場，這顯示高失敗率及巨大資源浪費的現象，其中原因包括：

高成本
- 從初期發現到新藥上市，平均需約 26 億美元。高額成本主要源於研究、開發和臨床試驗的費用。
- 許多製藥公司需投入大量資金進行臨床試驗和實驗室研究，僅早期藥物發現階段的成本就可能超過 5 億美元。
耗時
- 新藥從初期發現到上市平均需要 10 至 15 年，這過程包括篩選、優化、臨床前研究和多階段臨床試驗。
- 由於每個階段都可能面臨失敗風險，導致整個研發週期被大幅拉長。
低成功率
- 根據統計，只有約 10% 的候選藥物最終能夠成功進入市場。大多數候選藥物在臨床試驗的某個階段會因為安全性、有效性或其他原因而被淘汰。
- 低成功率導致大量資源和時間的浪費，增加研發成本。
數據處理困難
- 現代生物醫學研究產生的數據量巨大且異質性高，數據類型包括基因組數據、蛋白質結構數據、藥物分子數據等。
- 傳統數據處理和分析方法難以應對複雜的數據，導致研究效率低下和誤差率高。
技術整合難度高
- 藥物發現需整合多種先進技術，如高通量篩選、計算機輔助藥物設計、分子模擬等。技術之間整合往往需要大量時間和資源。
- 技術整合難度增加研發複雜性，並且可能導致技術瓶頸和研發延誤。
臨床試驗失敗風險
- 大量候選藥物在臨床試驗中因安全性或有效性問題而失敗，導致前期投入資源浪費。
- 臨床試驗高失敗率使得製藥公司在決策時面臨巨大風險，進一步增加研發不確定性。

【生成式AI平台NVIDIA BioNeMo】

NVIDIA 推出藥物研發的生成式人工智慧平台—BioNeMo，擁有一系列持續擴展的預先訓練生物分子人工智慧模型，包括蛋白質結構預測、蛋白質序列生成、分子最佳化、生成化學、對接預測等。其中包含BioNeMo 在內的NVIDIA Clara 醫療保健套件，結合運算平台、軟體與服務，可支援醫療照護和生命科學的人工智慧解決方案，從影像和儀器，再到基因體研究和藥物開發等。NVIDIA BioNeMo生成式AI平台及NVIDIA Clara 醫療保健套件之簡介說明如下：

圖1：NVIDIA Clara 採用人工智慧技術的醫療照護產業解決方案
圖片來源：https://www.nvidia.com/zh-tw/clara/

NVIDIA BioNeMo生成式AI平台
- 預訓練模型：包括 MegaMolBART、ESM1nv、OpenFold 等，用於生成化學、蛋白質語言和結構預測。
- 新模型：AlphaFold2、DiffDock、ESMFold、ESM2、MoFlow 和 ProtGPT-2 等，針對蛋白質結構預測和分子對接等任務進行優化。
- 整合 AWS：研究人員可透過 Amazon SageMaker 和 AWS ParallelCluster 部署和使用 BioNeMo，並利用 AWS 上的 NVIDIA DGX Cloud 進行模型訓練和推算。
NVIDIA Clara 醫療保健套件
- MONAI：支持醫學成像工作流程，可在 AWS 上部署，能利用在 AWS 雲端資源快速註釋和建立模型，增強訓練資料集。
- Parabricks：加速基因組學流程，在 AWS 上快速擴展處理大量基因組數據，能在15分鐘內完成整個人類基因組的變體調用。

圖2：使用NVIDIA 的預訓練人工智慧模型創建了兩種蛋白質
圖片來源：https://deepgram.com/learn/top-ai-models-for-medical-and-biotech-applications

綜上所述，BioNeMo的出現能為產業帶來以下優勢：

降低成本
- BioNeMo 雲服務能夠利用生成式 AI 模型加速藥物發現過程中的多個環節，如分子設計和蛋白質結構預測，減少實驗和臨床試驗的需求，大幅降低成本。
- Insilico Medicine 使用 BioNeMo 將早期藥物發現成本降低至傳統方法的十分之一，節省了大量資金投入。
減少耗時
- BioNeMo 透過預訓練大型語言模型（如 ESM-2 和 AlphaFold2）能夠迅速完成蛋白質結構預測和小分子對接分析，藥物發現過程的時間從傳統方法的幾個月縮短到幾天，提升研發效率。
提高成功率
- 生成式 AI 模型能夠更準確地預測分子與目標蛋白質的互動，從而提高候選藥物的成功率。
高效數據處理
- BioNeMo 整合了多種 AI 模型和大數據技術，能夠高效處理和分析來自不同來源的生物醫學數據，提供更準確的預測和建議，有效處理大規模生物數據集。
減少技術整合難度
- BioNeMo 服務整合多種先進技術和模型，透過 NVIDIA DGX Cloud 和 AWS 的整合，研究人員可以方便地使用高效能運算資源來運行和訓練模型，減少了技術整合的難度和時間。
降低臨床試驗失敗風險
- 利用 BioNeMo 服務，使用大型語言模式生成式AI 可以幫助候選藥物在更短的時間內以更低的成本提高成功率。

總體來說，NVIDIA 的 BioNeMo 生成式 AI 技術透過降低成本、縮短研發時間、提高成功率和簡化數據處理等多種方式，有效解決藥物發現和開發中的多個痛點。

【潛在商機/未來展望】

NVIDIA 的 BioNeMo 雲服務及Clara 醫療保健套件，為藥物發現和生命科學研究提供革命性的解決方案，具有巨大的潛在商機和未來發展前景。

潛在商機

縮短新藥開發周期：BioNeMo 有望將新藥開發時間縮短到數年內，大幅提高研發效率，從而降低整體成本。
提高成功率：透過精準的 AI 模型，提高藥物篩選和預測的準確性，增加候選藥物成功率。
數據處理自動化：實現大規模生物醫學數據的自動化處理和分析，提高研究人員的工作效率。
市場擴展：隨著更多生物技術公司和製藥公司採用 BioNeMo 及相關技術，NVIDIA 有望擴大其在生命科學和醫療保健市場的份額。

未來展望

NVIDIA 生成式 AI 技術在藥物發現和生命科學研究中的應用，將引領新一輪的科技創新浪潮。BioNeMo 的先進生成式 AI 技術在藥物開發中展現出巨大的潛力。這項技術能夠有效解決藥物開發過程中的高成本、長時間和高失敗率問題，並且優化數據處理。透過降低成本、縮短研發時間和提高成功率，BioNeMo 顯著提升了藥物發現的效率。這些技術不僅在更廣泛的範疇內發揮作用，減少資源浪費，還有望在個性化醫療和基因編輯等領域實現突破，推動生命科學和醫療保健領域的創新。對於製藥公司和研究機構來說，這是一個前所未有的機會，不僅能提升研究效率，還能為全球健康事業做出更大貢獻。

封面圖片來源：https://www.drugdiscoverytrends.com/amgen-deepcell-tap-nvidias-ai-to-drive-drug-discovery-and-advance-cell-morphology-research/

參考資料來源:

1.Amgen 和 Deepcell 利用 NVIDIA 的 AI 來推動藥物發現並推進細胞形態學研究https://www.drugdiscoverytrends.com/amgen-deepcell-tap-nvidias-ai-to-drive-drug-discovery-and-advance-cell-morphology-research/

2.NVIDIA BioNeMo在AWS上實現用於藥物發現的生成式人工智慧
https://www.ithome.com.tw/pr/160155

3.從實驗到上市，一款藥物的開發可以耗費多少青春與成本？
https://www.thenewslens.com/article/95507#&gid=1&pid=1

4.英特爾Intel® Core™ Ultra處理器啟動AI PC時代
https://www.intel.com/content/www/us/en/newsroom/news/intel-penn-medicine-federated-learning-brain-tumor-detection.html#gs.6fmbam

5.安進將為新的人類數據洞察和藥物發現構建生成人工智慧模型
https://blogs-nvidia-com.translate.goog/blog/genomics-ai-amgen-superpod/?_x_tr_sl=en&_x_tr_tl=zh-TW&_x_tr_hl=zh-TW&_x_tr_pto=sc

6.NVIDIA推出大型語言模式和生成式AI服務以推動生命科學研發
https://nvidianews-nvidia-com.translate.goog/news/nvidia-unveils-large-language-models-and-generative-ai-services-to-advance-life-sciences-r-d?_x_tr_sl=en&_x_tr_tl=zh-TW&_x_tr_hl=zh-TW&_x_tr_pto=sc

7.GTC23 | 百餘家合作夥伴將NVIDIA Clara AI 醫療平台帶往全球
http://nvidia.zhidx.com/content-6-3039.html