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：
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。
图1. 基于NVIDIA NIM微服务的结构和配体药物发现工作流程
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。
图2. AlphaFold2 根据氨基酸序列预测蛋白质的三维结构
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。
图3. DiffDock 预测分子与蛋白质相互作用的三维结构
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：
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：
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。
图4. GPU加速计算：实现快速高效的密集型运算
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：
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
粤ICP备14082021号
免费POC，
零成本试错
