NVIDIA a Eli Lilly: AI revoluce v objevování léků

Obsah

• 🧠 Nová kapitola akcelerovaného výpočtu a medicíny
• 🏛 Co oznámení zahrnuje
• 🖥 Superpočítač v Indianapolisu
• 🏢 Společná laboratoř v Bay Area
• 🧬 BioNeMo a základy pro proteinové a buněčné modely
• 🔁 Robotika, syntetická data a uzavřená smyčka
• 🧾 TuneLab a federované učení
• 💊 GLP-1 a praktické přínosy pro zdraví
• 🧪 Změna paradigmatu: z řemesla na inženýrství
• ⚖️ Právní, etické a provozní výzvy
• 🔬 První cíle a očekávané milníky
• 🚑 Dopady na systém zdravotní péče a pacienta
• 🌍 Kolaborativní ekosystém: velké firmy a start-upy
• 🔭 Co očekávám dál a proč jsem optimistický
• 📝 Shrnutí a osobní poznámka

🧠 Nová kapitola akcelerovaného výpočtu a medicíny

Jsem fascinován tím, co se právě děje na křižovatce výpočetní techniky a biomedicíny. Spojení technologického lídra v oblasti akcelerovaného výpočtu a globální farmaceutické společnosti otevírá příležitost, která má potenciál zásadně zrychlit tempo objevování nových léků a terapií.

Na jedné straně máme technologii, která v posledním desetiletí umožnila nárůst výkonu u úloh umělé inteligence v řádu milionůkrát. Na druhé straně existuje hluboká a neúplně prozkoumaná oblast lidské biologie, kde každé nové porozumění cíli může znamenat záchranu či zlepšení života stovek tisíc pacientů.

V této zprávě popisuji, co konkrétně znamená spolupráce mezi NVIDIA a Eli Lilly, proč je důležitá, jaké technologie a procesy budou nasazeny, a jaké dopady může mít na vývoj léčiv, zdravotní péči a širší společnost.

🏛 Co oznámení zahrnuje

Krátce a výstižně: Eli Lilly a NVIDIA oznámily rozsáhlé partnerství, které obsahuje několik navzájem provázaných komponentů. Tyto komponenty dohromady tvoří kompletní platformu pro moderní, daty řízené objevování léků.

• Výstavba největšího dedikovaného on-premise superpočítače pro biologii v Indianapolisu.
• Společná co-innovační laboratoř v Bay Area, kde budou spolupracovat experti na počítačovou vědu a odborníci na objevování léků.
• Nasazení softwarových platforem pro biomedicínské modely, například NVIDIA BioNeMo, a repertoár předtrénovaných modelů pro proteinové a molekulární úlohy.
• Integrace robotických mokrých laboratoří s uzavřenou smyčkou dat pro rychlé experimentování a trénování modelů.
• Plány pro sdílení know-how a dat včetně využití technik federovaného učení a platformy TuneLab pro bezpečnou spolupráci s externími partnery.

Tento model kombinuje výpočetní infrastrukturu, softwarové modely, fyzické experimentální kapacity a systém pro bezpečný přenos znalostí napříč ekosystémem. Jinými slovy, jde o kompletní „vědecký výrobní řetězec“ určený pro akcelerované objevování léčiv.

🖥 Superpočítač v Indianapolisu

Velká část oznámení se soustředí na výstavbu superpočítače umístěného v Indianapolisu — v regionu, který má historicky silné spojení s biologickým výzkumem a výrobou biologik. Jde o dedikované on-premise řešení, které poskytne farmaceutickým vědcům přístup k masivní výpočetní kapacitě přímo tam, kde se řízené experimenty a rozhodnutí dělají.

Proč to není jen „další cloud“? Existují tři klíčové důvody:

• Bezpečnost a vlastnictví dat — farmaceutická data často zahrnují citlivé informace a přísné regulační požadavky.
• Výkon a latence — on-premise superpočítač umožňuje rychlé uzavření smyčky mezi simulací, návrhem a experimentem bez zbytečných prodlev.
• Integrace s laboratorní infrastrukturou — fyzické připojení robotických zařízení, skladovacích systémů a výrobních linek usnadní nasazení rozhodnutí v reálném čase.

Výsledek bude prostředí, kde vědci dokážou spouštět rozsáhlé modely, iterovat návrhy molekul a ihned je ověřovat v mokrém experimentu. To je klíčové pro to, aby se objevování léků nezastavilo u hypotéz, ale šlo přímo k empirické validaci.

🏢 Společná laboratoř v Bay Area

Vedle superpočítače v Indianapolisu partneři zřizují co-innovační laboratoř v Bay Area. Tam bude soustředěna výzkumná činnost v oblasti strojového učení pro biologii, kde budou spolupracovat specialisté z NVIDIA a vědci z Eli Lilly i externí kapacity (start-upy, akademie).

Účel laboratoře není pouze sdílení zdrojů, ale vytvoření společné kultury — kombinace expertních znalostí z obou světů: praktické biologické know-how a nejmodernější techniky v oblasti AI a akcelerovaného počítání. To má dvě hlavní výhody:

1. Urychlení iterací mezi návrhem modelu, simulací a experimentem.
2. Přilákání talentů — mnoho špičkových vědců preferuje pracovat tam, kde vidí přístup k výpočetnímu výkonu a současně možnost realizovat nápady v laboratorní praxi.

🧬 BioNeMo a základy pro proteinové a buněčné modely

Jádrem softwarové strategie je platforma NVIDIA BioNeMo, která obsahuje knihovny a předtrénované modely pro práci s molekulárními strukturami, proteiny a dalšími biologickými modally. BioNeMo představuje stavební bloky pro:

• Representaci molekul a proteinových struktur v podobě, kterou modely dokážou efektivně učit.
• Generování nových sekvencí — modely, které navrhují nové proteiny či RNA s danými vlastnostmi.
• Předtrénované továrny (foundation models) jako La Proteina, Resin, Kermit, evo2, CodonFM a další, které zkracují startovací fázi vývoje.

Tato sada nástrojů umožní vědcům přenést osvědčené principy z oblasti velkých jazykových modelů či vizuálních modelů do oblasti biologie: budování rozsáhlých reprezentací, které lze následně jemně doladit na konkrétní úlohy (fine-tuning).

Jsem přesvědčený, že z hlediska efektivity výzkumu jde o transformativní krok. Místo toho, aby každý tým začínal „od nuly“, může využít předtrénovanou základnu a soustředit své úsilí na jemné doladění pro konkrétní cíle, což dramaticky zkracuje čas až k validovanému kandidátu.

🔁 Robotika, syntetická data a uzavřená smyčka

Klíčová myšlenka, kterou oba partneři opakovaně zmiňují, je uzavřená smyčka mezi modelem a fyzickým experimentem. Sestupně to vypadá takto:

1. Model vygeneruje návrhy molekul, proteinů nebo experimentálních podmínek.
2. Robotická mokrá laboratoř je provede a nasbírá přesná měření a fenotypické výsledky.
3. Tato data se vrátí do modelu jako ground truth a slouží k dalším iteracím a zlepšování prediktivní přesnosti.

Tento proces nazývám „syntetická datová smyčka“ nebo „scientific flywheel“. Je to více než teorie: když máš dostatečné množství dat a robustní modely, model dokáže navrhovat kandidáty stále efektivněji a experimenty se stanou méně nákladnými a méně náhodnými.

Robotika je tu kritická. Lidská práce v laboratorním měřítku je pomalá, chybující a nákladná. Stroje mohou běžet 24/7, přesně provádět stovky až tisíce experimentů denně a generovat datové sady, které by lidsky trvaly roky. Tyto datové sady umožní trénovat hluboké modely na úrovni, která je dnes ještě nedosažitelná.

🧾 TuneLab a federované učení

Spolupráce mezi velkými a malými hráči je komplikovaná otázka: jak sdílet přínosy společné práce a přitom ochránit duševní vlastnictví a citlivá data? Odpovědí jsou moderní přístupy, jako je federované učení a platformy typu TuneLab. Klíčové vlastnosti těchto přístupů:

• Možnost trénovat modely přes více vlastníků dat bez nutnosti centralizovat všechna data.
• Ochrana IP a regulatorní jistota — partneři si zachovají kontrolu nad svými surovinami.
• Rychlejší široké zlepšení modelů, protože výsledky kolektivního tréninku zvyšují kvalitu základních modelů dostupných pro všechny zapojené subjekty.

Tento přístup umožní biotechnologickým startupům, akademickým týmům a farmaceutickým firmám spolupracovat na tvorbě robustnějších modelů bez kompromitace obchodních tajemství. Pro mě je to jasný signál, že ekosystém se nebude omezovat na jednu instituci, ale bude se otevřeně rozvíjet napříč celým odvětvím.

💊 GLP-1 a praktické přínosy pro zdraví

Eli Lilly v rozhovoru také podrobně vysvětloval, jaký dopad má rodina léků založených na GLP-1. Tyto látky představují už nyní zásadní změnu v léčbě obezity a metabolických onemocnění. Několik zásadních bodů, které bych zvýraznil:

• Výrazné snižování tělesné hmotnosti — u některých přípravků bylo hlášeno průměrné snížení tělesné hmotnosti až kolem 23 procent.
• Snížení přechodu prediabetu na diabetes — v jedné zmíněné studii došlo k dramatickému snížení rizika přechodu na diabetes mellitus.
• Široké sekundární přínosy — zlepšení kardiometabolického zdraví, snížení chronického zánětu, zlepšení bolestí kloubů a kvality života u pacientů s osteoartrózou nebo jinými onemocněními spojenými s nadváhou.
• Nové indikace — probíhají studie zaměřené na duševní zdraví, závislosti a neurologické choroby, kde modulace určitých receptorových drah může přinést překvapivé benefity.

GLP-1 je příkladem technologie, která mění klinické praxe a také ekonomiku farmaceutického průmyslu. Zároveň ilustruje jedno důležité pravidlo: zásadní lékařské objevy se často nepronásledují izolovaně — potřebují systémovou schopnost škálování, dodávky a průběžného zlepšování.

"Když vezmete efekt, 23 procent průměrného úbytku tělesné hmotnosti, a spojíte to se snížením přechodu na diabetes o 93 procent, mluvíme o potenciálně transformačním zásahu do veřejného zdraví."

Tato slova vyjadřují jak klinický potenciál, tak i výzvy s distribucí a dostupností léků v globálním měřítku. Jak David Ricks zmínil, oralizace těchto léků (pilulky místo injekcí) je kritická pro dosažení globálního dosahu.

🧪 Změna paradigmatu: z řemesla na inženýrství

Tradiční objevování léků často připomíná umělecký proces — kombinaci empirického bádání, intuice a dlouhých experimentálních cyklů. To jsou procesy, které fungovaly po dekády, ale jsou pomalé a nákladné.

Já věřím, že právě teď se děje posun: z "truffle-hunting" (náhodného hledání užitečných molekul) k systematickému inženýrství. Důležité aspekty této změny:

• Reprezentace — schopnost přesně reprezentovat biologické objekty v kódu a maticích tak, aby modely věděly, co učit.
• Simulace — možnost testovat miliony kombinací in silico dřív, než se investuje do drahého experimentu.
• Automatizace — syntetická výroba, robotické platformy a škálovatelné testování.
• Uzavřená smyčka — rychlé opakování návrh-test-trénink, které vede k exponenciálnímu zlepšení modelů i experimentálních protokolů.

Tento přístup neznamená, že lidský faktor zanikne. Naopak: experti budou mít k dispozici mocné nástroje, které jim dovolí dělat kreativnější a strategičtější rozhodnutí. V mnoha případech bude nutné přeškolit nebo rozšířit dovednosti biologů směrem k datové vědě a strojovému učení.

⚖️ Právní, etické a provozní výzvy

Když mluvíme o tak radikální transformaci, musíme být realisté. Před námi stojí několik kategorií výzev:

• Regulace — nové metody návrhu a testování léků vyžadují dialog s regulačními orgány, aby bylo jasné, jak budou akceptovány výsledky získané částečně in silico.
• Bezpečnost a validace — modely mohou generovat slibné kandidáty, ale finální bezpečnost musí být ověřena v pečlivých studiích. Riziko falešného optimismu musí být minimalizováno.
• Etika dat — sdílení dat mezi společnostmi, akademií a start-upy musí respektovat pacientská práva, soukromí a spravedlivý přístup k benefitům.
• Dostupnost a spravedlnost — technologické průlomy nesmí vést k ještě větší nerovnosti v přístupu ke zdravotní péči. Například globální dostupnost léků série GLP-1 je závislá na výrobě, nákladech a distribučních řešeních.
• Bezpečnost AI — drobná chyba v modelu může rychle eskalovat do špatně navrženého kandidáta. Transparence v tréninku a auditovatelnost modelů budou klíčové.

Řešení těchto výzev vyžaduje interdisciplinární přístup: nejen technické inovace, ale také právní rámce, etické směrnice a demokratické diskuse o tom, kterým směrem se výzkum ubírá.

🔬 První cíle a očekávané milníky

Co můžeme realisticky očekávat v nejbližších letech?

• Nasazení superpočítače — dokončení a spuštění infrastruktury v Indianapolisu, která bude sloužit pro nákladné tréninky a simulace.
• Vznik společné výzkumné jednotky v Bay Area, která přiláká talenty z AI a biologie a začne rychle publikovat první výsledky nebo případové studie.
• Rozšíření modelů a datasetů — budování robustních datových sad z robotických laboratoří a jejich použití pro fine-tuning předtrénovaných modelů.
• Pilotní projekty zaměřené na konkrétní cíle — vybrané proteiny nebo buněčné systémy, kde bude možné ukázat rychlé zlepšení v porovnání s tradičními metodami.
• Veřejné sdílení prvních postupů a nastavení standardů pro validaci AI navržených kandidátů.

Tento plán je ambiciózní, ale podle mého názoru dobře navržený: kombinuje kapacitu, talent a podnikatelskou odvahu s pragmatickým přístupem k experimentální validaci.

🚑 Dopady na systém zdravotní péče a pacienta

Pokud se podaří zrychlit objevování léků a zvýšit pravděpodobnost úspěchu v raných fázích, může to mít několik přímých důsledků pro pacienty:

• Rychlejší přístup k novým terapiím — kratší doba od objevu k testování může znamenat rychlejší dostupnost účinných léků.
• Personalizované terapie — lepší modely buněčných interakcí mohou podpořit vývoj cílených terapií přizpůsobených konkrétním pacientským profilům.
• Zlepšená prevence a sekundární efekty — terapie, které ovlivňují širší biologické sítě (např. zánět), mohou mít rozšířené přínosy přes původní indikaci.
• Snížení nákladů — větší efektivita výzkumu by mohla snižovat R&D náklady, což za ideálních okolností povede k dostupnějším léčbám.

Nicméně je třeba upozornit, že globální dopad bude záviset také na obchodních modelech, regulaci a politických rozhodnutích, které určují ceny a přístup ke zdravotním produktům.

🌍 Kolaborativní ekosystém: velké firmy a start-upy

Zvlášť mě těší, že tento plán podporuje otevřenou spolupráci mezi velkými hráči a menšími inovativními firmami. Platforma TuneLab a federované přístupy poskytnou způsob, jak sdílet přínosy společného učení bez nutnosti centralizace dat.

To by mělo umožnit:

• rychlé zapojení start-upů s průlomovými nápady,
• rychlejší přenos výsledků mezi akademií a průmyslem,
• širší přijetí standardů a rozhraní, které ulehčí reprodukovatelnost výsledků.

V praxi to znamená, že nejen velké farmaceutické firmy budou určovat směr výzkumu; ekosystém se stane více pluralitním a adaptivním.

🔭 Co očekávám dál a proč jsem optimistický

Jsem optimistický z několika důvodů:

• Technologická připravenost — máme platformy, architektury modelů a zkušenosti z jiných domén, které lze přenést na biologii.
• Kapitalizace lidského talentu — spojením vědců z obou oblastí vzniká kritická hmota odborníků schopných dělat interdisciplinární práci.
• Praktický záměr — partnerství se soustředí na dosažitelné milníky (konkrétní targety, robotické laboratoře, federované trénování), nikoli pouze na velká futuristická prohlášení.
• Sociální dopad — úspěch by mohl znamenat zlepšení zdraví milionů lidí, méně chronických onemocnění a snížení nákladů systému zdravotní péče.

Samozřejmě to nebude jednoduché. Budou potřeba roky iterací, pečlivé klinické studie a transparentní dialog s regulačními orgány. Ale cesta je jasná: spojit výpočetní sílu, modely a experimentální kapacity tak, aby každý krok měl empirický podklad a reálnou ověřitelnost.

📝 Shrnutí a osobní poznámka

Partnerství mezi NVIDIA a Eli Lilly představuje jasný příklad toho, jak může moderní technologie změnit tradiční průmysl. Nejde jen o rychlejší trénink modelů nebo silnější servery. Jde o novou organizační logiku, ve které se výzkum zrychluje díky uzavřeným smyčkám, robotizaci, sdíleným modelům a bezpečnému sdílení dat.

Jako někdo, kdo sleduje vývoj v oblasti AI a vědy, považuji tento přístup za logický a potřebný. Pokud chceme řešit složité výzvy lidského zdraví — obezitu, diabetes, onemocnění mozku a další — je nezbytné spojit síly mezi disciplínami. A to přesně se děje: výpočetní věda a biologie se navzájem doplňují, a výsledkem může být rychlejší, levnější a spravedlivější vývoj nových terapií.

Mám velkou zvědavost sledovat první výsledky uzavřených smyček, první publikované případy úspěchu a to, jak se ekosystém přizpůsobí novým standardům a nástrojům. Jsem přesvědčený, že to bude jedna z nejdůležitějších technologických iniciativ v oblasti zdravotní péče nadcházejícího desetiletí.

🔗 Klíčové pojmy a odkazy

• BioNeMo — platforma pro biologické modely a knihovny.
• Superpočítač — dedikovaný on-premise výkon pro biologii v Indianapolisu.
• Co-innovační laboratoř — společné výzkumné centrum v Bay Area.
• TuneLab a federované učení — mechanismus bezpečné spolupráce bez sdílení surových dat.
• Syntetická datová smyčka — uzavřený cyklus návrh-simulace-experiment-trénink.