Компания Amazon запустила новое предложение для научного сообщества — Bio Discovery. Проект, представленный во вторник, рассчитан на ускорение разработки лекарств и дает исследователям доступ к набору из более чем 40 моделей искусственного интеллекта, ориентированных на задачи биологии и поиска кандидатов в препараты.
Что именно предлагает Amazon
По задумке разработчиков, Bio Discovery объединяет два этапа, которые обычно идут раздельно: компьютерное конструирование и проверку в лаборатории. В терминах индустрии это означает, что платформа помогает формировать гипотезы и дизайн-кандидатов с помощью вычислительных методов, а затем предоставляет возможность «мокрой» (лабораторной) валидации — то есть подтверждения результатов экспериментально.
Ключевая особенность сервиса — доступность для специалистов «с другой стороны процесса». Авторы проекта делают акцент на том, что бенч-исследователи (лабораторные ученые) могут пользоваться инструментами без необходимости быть экспертами в программировании или сложных вычислительных схемах.
Как устроен доступ к моделям
Пользователи получают несколько вариантов работы:
- можно использовать готовые AI-модели из каталога;
- доступна загрузка собственных моделей;
- существует возможность применения сторонних моделей, лицензированных для использования внутри платформы.
Зачем нужны лабораторные партнеры
Чтобы компьютерные рекомендации не оставались лишь теоретическими, Amazon встроила в Bio Discovery работу с партнерами, которые выполняют лабораторную проверку. В числе интегрированных участников названы Ginkgo Bioworks (NYSE:DNA) и Twist Bioscience (NASDAQ:TWST).
Компания объявила о запуске сервиса в рамках AWS Life Science Symposium — мероприятия, посвященного применению технологий в сфере наук о жизни и биомедицинских исследований.
Антитела: пример типового рабочего процесса
Amazon отдельно описала workflow для дизайна антител — процесс, который в разработке терапии часто включает подбор молекул с нужными свойствами и дальнейшую оптимизацию. В представленной схеме, как указано в анонсе, валидацию выполнил Sloan Kettering.
Показатели, заявленные в демонстрации
В одном из описанных кейсов использовались 300,000 мишеней (targets), из которых было получено 100,000 кандидатов. Это служит иллюстрацией масштаба отбора на вычислительной стадии перед переходом к проверкам и уточнениям.
Четыре шага в сценарии
Антительный дизайн-процесс состоит из четырех этапов:
- Оценка моделей и сбор рабочего процесса: пользователь выбирает подходящие модели из каталога AI biology models.
- Подбор решений с помощью AI-агентов: платформа ведет по ключевым выборам в дизайне антител, формируя рекомендации.
- Получение предварительного результата: система выдает сгенерированные AI сводки и формирует список кандидатов, уже прошедших фильтрацию по этапам оптимизации и проверкам на «liability» (оценку потенциальных рисков и ограничений, связанных с дальнейшей разработкой).
- Передача кандидатов в лабораторию и возврат результатов: выбранные варианты можно направить интегрированным лабпартнерам, при этом платформа показывает оценку стоимости и сроков выполнения. После получения экспериментальных данных результаты автоматически возвращаются в систему для сравнения с предсказаниями.
Почему это может сократить задержки
С точки зрения практической организации исследований, подобные платформы важны тем, что уменьшают «время ожидания» между этапами. В комментариях аналитиков Jefferies отмечалось, что проекты, которые раньше могли простаивать в очередях, с запуском этого решения способны продвигаться сразу.
Также подчеркивается, что более точные рабочие сценарии способны расширять возможности вычислительных биологов: вместо того чтобы ограничиваться узким числом программ, они могут подключаться к дополнительным направлениям благодаря ускорению и автоматизации части рутины.
Контекст: что означает Bio Discovery для рынка
Bio Discovery — это пример того, как крупные облачные игроки пытаются закрепиться в биотехнологическом и фармацевтическом сегменте. Идея проста: переводить часть задач из «ручного» режима в управляемые цифровые процессы, где AI помогает быстрее проходить этапы выбора, проектирования и первичной фильтрации кандидатов, а лабораторные партнеры подтверждают выводы экспериментально.
Если подход сработает на практике, платформа может стать связующим звеном между моделированием и экспериментом — тем самым сокращая разрыв между тем, что предсказывает компьютер, и тем, что подтверждает лаборатория.