借助 NVIDIA 生物醫學 AI-Q 研究代理 Blueprint 推進文獻回顧和目標發現

長期以來，生物醫學研究和藥物研發一直受到勞動密集型流程的限制。為了發起藥物研發活動，研究人員通常會梳理大量科學論文，了解已知蛋白質標和小分子對的詳細信息。

閱讀和深入理解一篇論文需要一至六個小時，而在沒有 AI 輔助的情況下總結研究結果，平均每篇論文需要 165 分鐘。從目標識別到 U.S. Food and Drug Administration 批準，藥物研發活動歷時 12 到 15 年，而在這一過程中，這些效率低下的問題變得更加復雜。

NVIDIA 開發了 Biomedical AI-Q 研究智能體，幫助藥物研發科學家快速審查可用文獻、得出復雜的假設，然后將未發現的蛋白質點交給虛擬篩選代理。傳統上，手動執行此過程既耗時又繁瑣，需要數天時間來閱讀和總結論文。

開始使用生物醫學 AI-Q 研究智能體開發者 Blueprint

此生物醫學 AI-Q 研究智能體開發者 Blueprint 基于多個現有框架進行設計。它創建了復雜的多智能體工作流，可解決生命科學和臨床開發領域的現實問題。具體來說，它融合了 RAG Blueprint 以及新發布的 NVIDIA AI-Q NVIDIA Blueprint 中的元素。

此外，NVIDIA 的方法利用 BioNeMo 虛擬篩選 Blueprint 的各個方面，采用推理智能體構建的假設，并將新型小分子候選者用于特定的蛋白質點。這種 in-silico 過程有可能使科學家能夠在實驗室中以明智的方法進行更具針對性的實驗。

該藍圖支持兩種部署途徑：

GitHub 資源庫：用于自托管 NIM 微服務的可定制代碼，允許與專有數據集集成。該存儲庫是完全可定制的，除了內置的 AI 輔助研究智能體之外，您還可以添加自己的功能來支持您想要實現的特定目標。例如，您可以靈活使用 NVIDIA AI 端點或選擇本地部署，從而使用專有數據集構建和連接到本地知識庫。使用此選項，所有 NIM 都可以部署在您自己的硬件基礎設施中，從而確保更好的控制力和安全性。
NVIDIA Brev Launchable：可用的數據集和交互式用戶界面可在數小時 (而非數周) 內實現端到端虛擬篩選。NVIDIA Brev 可啟動功能的主要優勢之一是入門門檻低，讓您無需本地計算資源或專用硬件即可輕松上手。您可以在此處使用以下功能快速試用該藍圖：訪問專注于囊性纖維化的生物醫學研究文獻的示例數據集利用本地和在線知識庫進行代理輔助研究

1. 復雜假設構建

傳統的搜索工具可檢索靜態數據，但 NVIDIA 的 AI 智能體執行多標準推理，可同時評估分子結合親和力、合成成本和臨床可行性。此功能可加速目標驗證，這一階段在過去占發現時間線的 20% 到 30%。

2. AI 可解釋性和 IP 可追溯性

智能體的推理過程會生成可審計日志，為知識產權索賠提供清晰的文檔。鑒于只有 5,000之1 的化合物獲得 FDA 批準，這一點至關重要。

NVIDIA 的軟件堆棧可讓用戶輕松訪問企業級模型：

NVIDIA NIM 微服務是模塊化的云原生組件，可加速 AI 模型的部署和執行。這些微服務使藥物研發研究人員能夠在其工作流程中集成和擴展先進的 AI 模型，從而更快、更高效地處理復雜數據。
NVIDIA blueprints 是加速 AI 應用開發和部署的全面參考工作流，包含適用于 AI 智能體、數字孿生等的 NVIDIA 加速庫、SDK 和微服務。