借助 NVIDIA 生物医学 AI-Q 研究代理 Blueprint 推进文献回顾和目标发现

长期以来，生物医学研究和药物研发一直受到劳动密集型流程的限制。为了发起药物研发活动，研究人员通常会梳理大量科学论文，了解已知蛋白质标和小分子对的详细信息。

阅读和深入理解一篇论文需要一至六个小时，而在没有 AI 辅助的情况下总结研究结果，平均每篇论文需要 165 分钟。从目标识别到 U.S. Food and Drug Administration 批准，药物研发活动历时 12 到 15 年，而在这一过程中，这些效率低下的问题变得更加复杂。

NVIDIA 开发了 Biomedical AI-Q 研究智能体，帮助药物研发科学家快速审查可用文献、得出复杂的假设，然后将未发现的蛋白质点交给虚拟筛选代理。传统上，手动执行此过程既耗时又繁琐，需要数天时间来阅读和总结论文。

开始使用生物医学 AI-Q 研究智能体开发者 Blueprint

此生物医学 AI-Q 研究智能体开发者 Blueprint 基于多个现有框架进行设计。它创建了复杂的多智能体工作流，可解决生命科学和临床开发领域的现实问题。具体来说，它融合了 RAG Blueprint 以及新发布的 NVIDIA AI-Q NVIDIA Blueprint 中的元素。

此外，NVIDIA 的方法利用 BioNeMo 虚拟筛选 Blueprint 的各个方面，采用推理智能体构建的假设，并将新型小分子候选者用于特定的蛋白质点。这种 in-silico 过程有可能使科学家能够在实验室中以明智的方法进行更具针对性的实验。

该蓝图支持两种部署途径：

1. GitHub 资源库：用于自托管 NIM 微服务的可定制代码，允许与专有数据集集成。该存储库是完全可定制的，除了内置的 AI 辅助研究智能体之外，您还可以添加自己的功能来支持您想要实现的特定目标。 例如，您可以灵活使用 NVIDIA AI 端点或选择本地部署，从而使用专有数据集构建和连接到本地知识库。使用此选项，所有 NIM 都可以部署在您自己的硬件基础设施中，从而确保更好的控制力和安全性。
2. NVIDIA Brev Launchable：可用的数据集和交互式用户界面可在数小时 (而非数周) 内实现端到端虚拟筛选。NVIDIA Brev 可启动功能的主要优势之一是入门门槛低，让您无需本地计算资源或专用硬件即可轻松上手。您可以在此处使用以下功能快速试用该蓝图： 访问专注于囊性纤维化的生物医学研究文献的示例数据集 利用本地和在线知识库进行代理辅助研究

生物医学 AI-Q 研究代理应对的独特挑战

1. 复杂假设构建

传统的搜索工具可检索静态数据，但 NVIDIA 的 AI 智能体执行多标准推理，可同时评估分子结合亲和力、合成成本和临床可行性。此功能可加速目标验证，这一阶段在过去占发现时间线的 20% 到 30%。

2. AI 可解释性和 IP 可追溯性

智能体的推理过程会生成可审计日志，为知识产权索赔提供清晰的文档。鉴于只有 5,000之1 的化合物获得 FDA 批准，这一点至关重要。

借助 NVIDIA 的 NIM 和蓝图加速研究

NVIDIA 的软件堆栈可让用户轻松访问企业级模型：

• NVIDIA NIM 微服务是模块化的云原生组件，可加速 AI 模型的部署和执行。这些微服务使药物研发研究人员能够在其工作流程中集成和扩展先进的 AI 模型，从而更快、更高效地处理复杂数据。
• NVIDIA blueprints 是加速 AI 应用开发和部署的全面参考工作流，包含适用于 AI 智能体、数字孪生等的 NVIDIA 加速库、SDK 和微服务。