Bristol Myers Squibb、AI創薬用スーパーコンピュータを2台目導入

Bristol Myers Squibbは本日、8基のDGX Vera Rubin NVL72システムで構成した2番目のNVIDIA DGX SuperPODの導入を発表した。この発表は、約3年間最初のDGX SuperPODを運用した後のAIインフラストラクチャー投資コミットメントの大幅な拡大を示している。

新システムは従来のインフラストラクチャーと比べてメガワット当たり最大10倍の性能を提供し、NVIDIA Vera CPUとRubin GPUで構成される。BMSはこのシステムを既存のSuperPODと統合して統一環境（単一データプレーン）を構築し、グローバルの全BMS拠点からアクセス可能にする。この統一アーキテクチャーは、過去の買収から継承された拠点別制限と深い計算専門知識の要件という最初のシステムへのアクセスを困難にしていた早期の障壁を廃止している。研究者はNVIDIA Mission Controlを通じて平文の英語で複雑な予測を開始できるようになる。

BMSの研究ビジネスインサイトおよび技術副社長Erin Davisはアクセスの観点からこのシフトを説明した。「スーパーコンピュータへのアクセスを小規模な研究者グループに限定するのではなく、文字通り全科学者に開放している。誰も待つ必要がなく、制限があると言われることもない」と述べた。彼女はBMSの現在の計算需要状態を飽和状態と説明し、同社が大分子に関する大規模予測を実行し、独自の基礎モデルを構築していると述べた。どちらもかなりのGPU容量を必要とする。

同社は既に最初のSuperPODからの測定可能なリターンを実証している。AI対応の標的同定は科学者に数週間の手作業を削減させている。BMSはAIを利用してCELMoD化合物ライブラリーを拡大した。これはがん原性タンパク質を選択的に分解するよう設計された分子で、血液がん治療などの新しい疾患標的と潜在的医薬品への扉を開いている。リード最適化段階では、BMSは「Predict First」と呼ばれる方法論を適用している。予測が設計予測に基づいて実験ゲーティングに情報を与える。BMSの治療発見科学シニアバイスプレジデントPayal Shethによると、このアプローチは「望ましい特性を満たす可能性の低い分子を取り除くため、多パラメータ最適化を伴う分子合成を優先順位付けするための予測」として「貴重な実験室実験が成功確度が最も高い分子の進行と合致していることを保証する」ために使用される。

1月にリーダーシップ役を拡大し、創薬研究を実施することから転職したShethは、このマンデートを「AIが何ができるかというこの抽象的な立場から実際にそれを測定可能な影響に翻訳すること」への移行と説明した。統一計算インフラストラクチャーはプログラム全体での累積学習を可能にするよう設計されている。ニュージャージー州ローレンスビルで実行されたプログラムからのデータセットが、カリフォルニア州サンディエゴのチームが利用できるモデルに供給される。これは各プロジェクトが個別に扱われ、学習がインテリジェンスフレームワークに複合しなかった従来の創薬と対照的である。Davisはエージェンティックワークフローがサイロを破壊する価値を強調した。「エージェントは気にしない。全体に渡ってアクセスする。これはゲームチェンジャーであり、今や全体のサイロとプログラムにわたる決定から学習できるようになったからである」と述べた。新システムの詳細な配分計画は小分子および大分子設計、臨床応用、全ノードにわたるデジタルツインに及ぶ。

Bristol Myers Squibbが2番目の高度なAIスーパーコンピュータに投資したことは、大手医薬品企業が計算インフラストラクチャーをどのように捉えるか、その成熟を反映している。最初のDGX SuperPODを3年間運用した後、BMSはパイロット段階を卒業した。このシステムは既に加速された標的同定とがん治療向けCELMoD化合物ライブラリーの拡大を通じて具体的な価値を実証している。新たな導入の制約となっているのはAIの有用性への懐疑ではなく、供給不足である。研究者は需要で飽和しており、大規模予測と基礎モデル開発のための十分な計算能力にアクセスできない状況にある。

小規模研究グループ向けツールから全科学者がアクセス可能な統一グローバルプラットフォームへの戦略的シフトは、アクセス障壁が低下するとAIの投資収益率が増加するという認識を示している。過去の買収から残る拠点別制限を廃止し、深い計算専門知識の要件をAIネイティブツールで置き換えることで、BMSは民主化されたアクセスがデータセットループを解放すると賭けている。一つのプログラムからのデータセットが他のチームが利用できるモデルに供給される学習ループである。この累積学習アーキテクチャーは従来の創薬には存在せず、各プロジェクトは個別に扱われていた。既存システムと新システムを単一のデータプレーンに統合することで、グローバルの全BMSプログラムにこれらの学習を制度化することが設計されている。

まだコメントがありません。最初のコメントを投稿しましょう！