燧坤智能采用NVIDIA GPU，显著提升新药研发平台AI4D™的计算效率、计算精度、模型训练速率，整个药物分子筛选流程提升了数十倍，满足了处理海量数据的需求。

本案例主要应用到Tesla V100 GPU。

燧坤智能是新一代的机器学习+生物技术初创公司，致力于通过自主搭建AI平台万倍提升研发药物效率及成功率。该公司已同近20家国内外知名药企、上市公司、三甲医院、政府机构、科研院所建立合作，共同开发新药及AI模型。

新药研发的成功率极低，研发投入巨大。药物分子的活性、类药性、成药性对于最终成功完成临床实验并获批上市至关重要。如能在药物发现的早期准确预测上述属性，则可提高后期研发成功率。

药物大数据的数据规模动辄以十万甚至百万计，基于超大规模数据的AI算法开发和应用，对算力提出了巨大的挑战。一般的CPU计算平台存在速度慢的问题，典型的深度学习模型训练需要超过千万次的迭代和参数更新，将耗费大量的时间。GPU在深度学习领域的应用加速了AI的发展。与CPU计算平台相比，使用GPU加速后，深度学习模型训练单次迭代时间能从数十分钟降低到几秒，极大地提高了AI算法开发的效率、降低开发周期，节约开发成本。

燧坤智能研发的AI4D™线上服务平台采用了NVIDIA Tesla V100 GPU。借助 NVIDIA GPU加速计算，使得AI4D™的计算效率、计算精度、模型训练速率等方面得到显著提升。与仅使用 CPU 的系统相比，将实际应用程序的吞吐量提升10倍，大幅提高了训练模型的效率。GPU的参与使双精度比早期硬件提升10倍，同时通过减少服务器数量，大幅降低了数据中心成本。

海量大规模数据处理：在文献信息挖掘过程中，需要对超过百万数量的文献文本进行处理。通过GPU加速，能在几分钟内完成全数据库的关系抽取查询，速度提升超过10倍，显著提高查询效率。

深度学习模型高效训练：深度学习模型训练速度较CPU提升了100倍以上，在相同的时间内允许更多次数的迭代，极大地降低了时间成本，有效地缩短了开发周期，提高了开发效率。

生物大分子优化设计：生物大分子的优化空间为指数增长，常规的优化需要耗费大量的计算资源。基于GPU平台开发的优化算法，利用GPU加速和多卡并行的策略，缩短了单次搜索所需时间，提高了单位时间内搜索次数，能够在数分钟内完成生物大分子的设计和优化，效率提升达到40倍以上。

AI算法的成功，得益于其从海量结构化数据中挖掘深层信息的能力。燧坤智能利用AI系统，整合药物大数据，深度赋能药物研发全过程，包括从药物靶点相互作用全景图学习及预测、虚拟高通量分子筛选、大分子产量优化、个性化细胞疗法设计，到文献信息挖掘等多项应用。AI4D™平台不仅能够针对靶点的定向分子进行生成与筛选，还凭借团队深厚的药物研发知识，对分子的类药性及成药性进一步预测，从而聚焦真正的药物分子，对缩减药物研发的后期投入、提高临床及上市成功率提供助力。

在AI4D™平台上，用户可以低门槛的使用AI进行药物分子的筛选，无需学习算法和编程，将一切繁琐、复杂、重复的事情交由机器完成，将自身精力专注于策略研究，大大地减少了用户的实验验证成本。传统药物分子筛选往往需要耗时半年到一年，甚至得不到任何结果，借助NVIDIA计算平台对机器学习的加速，将整个计算筛选流程提升了数十倍，满足了处理海量数据的需求，极大地减少了时间成本，更利新药研发的推进。

“机器学习在药物研发领域是一个划时代的工具，在生物医药领域有着巨大的应用前景。尽管机器学习对于算力要求不高，但是要用机器学习模型拟合生物机制的高复杂度，需要更强大的算力。NVIDIA AI 计算平台，可以让机器与生命的融合更进一步。”燧坤智能CEO曾亥年表示。