La industria farmacéutica está trasladando una parte creciente de sus laboratorios al mundo virtual. Bristol Myers Squibb, conocida como BMS, anunció la construcción de una nueva infraestructura de inteligencia artificial que utilizará para buscar objetivos terapéuticos, diseñar moléculas y decidir qué experimentos tienen mayores posibilidades de éxito. La compañía instalará su segundo NVIDIA DGX SuperPOD , esta vez compuesto por ocho sistemas DGX Vera Rubin NVL72. BMS lo presenta como la infraestructura de NVIDIA más potente y eficiente que pertenece exclusivamente a una empresa del sector de las ciencias de la vida.
Ocho sistemas gigantes para investigar medicamentos Cada DGX Vera Rubin NVL72 integra procesadores Vera y aceleradores Rubin dentro de una arquitectura de escala de rack. El conjunto está diseñado para entrenar modelos, ejecutar millones de predicciones y coordinar agentes de IA capaces de realizar tareas científicas encadenadas. NVIDIA asegura que la nueva infraestructura ofrecerá hasta diez veces más rendimiento por megavatio que el sistema al que reemplaza. La cifra no significa que utilizará una décima parte de la electricidad en cualquier situación, sino que podrá realizar más operaciones científicas con una cantidad energética comparable.
La supercomputadora será propiedad de BMS, aunque no estará instalada necesariamente dentro de uno de sus laboratorios. Según información de STAT, el hardware será alojado por Equinix mediante un acuerdo de colocation: la farmacéutica conservará el control de sus equipos y datos, mientras utiliza la energía, refrigeración y conectividad de un centro especializado. El comunicado oficial no proporciona una fecha exacta para su entrada en funcionamiento. Informes sectoriales sitúan la puesta en marcha completa a comienzos de 2027, pero ese calendario podría cambiar durante la instalación. © NVIDIA Youtube.
La IA no inventará un medicamento por sí sola Hablar de una supercomputadora que “desarrollará medicamentos” puede resultar engañoso. El sistema no sustituirá los experimentos, los ensayos clínicos ni la evaluación de los organismos reguladores. Su función será reducir el enorme espacio de posibilidades que los investigadores deben analizar. Para crear un tratamiento, los científicos necesitan identificar una proteína o mecanismo relacionado con una enfermedad, encontrar moléculas capaces de modificarlo y comprobar que esas sustancias sean eficaces, seguras y posibles de fabricar.
La IA puede analizar datos biológicos , predecir interacciones y descartar candidatos poco prometedores antes de sintetizarlos físicamente. BMS afirma que sus agentes de inteligencia artificial ya ahorran semanas de trabajo manual en la identificación y validación de objetivos terapéuticos. Además, utiliza un método denominado “Predict First”, en el que las predicciones computacionales sirven para decidir qué moléculas deberían pasar al laboratorio. Este enfoque ya interviene en todos sus programas de moléculas pequeñas y en la mayoría de los proyectos con moléculas grandes.
Modelos entrenados con décadas de información científica El nuevo sistema permitirá a BMS entrenar modelos fundacionales utilizando décadas de datos científicos propios. Esa información puede incluir resultados experimentales, estructuras moleculares, observaciones clínicas y conocimientos acumulados durante el desarrollo de tratamientos. También incorporará BioNeMo Agent Toolkit, la plataforma de NVIDIA para construir herramientas especializadas en biología y química. Sus modelos pueden utilizarse para estudiar proteínas, analizar moléculas, comprobar si un compuesto diseñado por IA sería sintetizable y coordinar flujos de trabajo que conecten las predicciones con los experimentos.
La compañía planea integrar el nuevo clúster con su SuperPOD anterior para crear un entorno único, accesible desde sus centros de investigación alrededor del mundo. Incluso espera que algunos científicos puedan iniciar predicciones complejas mediante instrucciones en lenguaje natural, sin tener que administrar directamente la infraestructura. Las farmacéuticas quieren controlar sus propios chips BMS no es la única empresa que está acumulando capacidad de cálculo. Eli Lilly también construyó una infraestructura de NVIDIA y anunció una inversión de hasta 1.000 millones de dólares durante cinco años en un laboratorio conjunto dedicado a la inteligencia artificial, la robótica y el descubrimiento de fármacos.
Tener hardware propio resulta costoso y conlleva el riesgo de que los chips queden superados rápidamente. A cambio, permite reservar capacidad constante, proteger información científica sensible y evitar la dependencia completa de servicios externos. El desafío seguirá estando en transformar más potencia computacional en mejores medicamentos. La IA puede generar miles de candidatos y predicciones, pero cada resultado deberá ser interpretado por investigadores y validado en experimentos reales.
La supercomputadora no reemplaza al laboratorio: busca evitar que los científicos gasten años estudiando caminos que una máquina podría descartar en cuestión de horas. Fuente: Infobae.