運用適用生物製藥領域的 NVIDIA Clara™、一系列框架、應用程式、生成式人工智慧解決方案和預先訓練的模型，加速藥物研發進行。
加速突破性藥物辨識，並提升目標和化合物選擇的準確度。
跟上人工智慧創新的腳步，並在組織內激勵創新成果。
提高開發人員生產力，並加速產出成果的時間。
藥物研發涵蓋許多工作流程，從探索化學世界、預測蛋白質結構，到掃描候選藥物和模擬分子。利用 NVIDIA NGC™ 目錄中提供的強大雲端 API，推動這些重要研究領域的突破。
基礎模型會先瞭解訓練時所用的基礎資料，例如蛋白質序列的語法和句法。經過學習後，模型就可以利用這些規則，將輸入序列表示為可用於預測的數值矩陣。基礎模型可以進一步依工作需求調整，以專注於特定工作，例如預測蛋白質結構或功能。
分子生成模型可對化學空間進行編碼，讓研究人員能將搜尋最佳化，找出具有理想特性的分子。搭配分子對接模型，並利用蛋白質結構預測模型的 3D 結構資訊，實現端到端小分子虛擬篩選。
單粒子低溫電子顯微鏡是一種頗受歡迎的實驗技術，能以接近原子的解析度來判斷大型分子結構。低溫電子顯微鏡在結構生物學中很受歡迎，因為大分子可以在近乎自然的條件下成像。低溫電子顯微鏡可提供分子結構和疾病機制的見解，徹底改變了藥物研發流程。例如，用於物體偵測的機器學習方法可加速低溫電子顯微鏡的結構解析過程。
BioNeMo 是建立在 NeMo™ 框架上的超級運算平台，可用於訓練和推論生物分子 LLM，並協助科學家快速找出候選治療方法。其中包含：預測蛋白質和小分子特性 (ESM-1、ESM-2、MegaMolBART、MoFlow)、蛋白質生成 (ProtGPT2)、姿勢預測 (DiffDock) 和 3D 蛋白質結構預測 (OpenFold、AphaFold2、ESMFold) 的人工智慧模型。
GROMACS 是一種開源軟體套件，專為蛋白質、核酸和脂質等生物分子的分子動力學模擬而設計。對於進一步理解分子層級生物系統而言，此種套件可發揮關鍵作用。
AutoDock 是一系列運算對接和虛擬篩選的方法，可用於結構型藥物研發和探索生物分子結構的基本機制。
圖片來源：Veronica Falconieri 與 Sriram Subramaniam，由 National Cancer Institute 授權於公共領域使用
RELION 等深度學習方法正在推動低溫電子顯微鏡 (cryo-EM) 的高輸送量自動化，以用於判斷蛋白質結構。RELION 採用經驗型的貝式方法來分析冷凍電子顯微鏡，以改善單一或多個 3D 重建以及 2D 類別平均值。
為了瞭解具有原子細節的蛋白質結構，可使用 MELD 等工具，從稀疏、模糊或雜訊資料推論結構。MELD 利用以物理為基礎的貝式框架中的資料來提升蛋白質結構的判斷。
圖片來源：Evozyne
深入瞭解 NVIDIA BioNeMo：這個平台由管理式服務、軟體應用程式框架和參考人工智慧工作流程組成，可簡化、加速和擴充藥物研發的生成式人工智慧。
運用生成式人工智慧強化生物藥物的研發和開發
藥物研發平台以更高的精準度探索新的化學空間
加速蛋白質結構探索
獲得醫療照護與生命科學的洞察
NVIDIA 隱私權政策