AWS मशीन लर्निंग ब्लॉगवरील 13 नोव्हेंबरच्या पोस्टनुसार Amazon Web Services ने OpenFold3-preview, एक मुक्त-स्रोत बायोमोलेक्युलर स्ट्रक्चर प्रेडिक्शन मॉडेल बनवले आहे, जे थेट Amazon SageMaker JumpStart वरून उपयोजित करण्यायोग्य आहे. हे पाऊल संगणकीय जीवशास्त्रातील सर्वात परिणामकारक मॉडेल कुटुंबांपैकी एक व्यवस्थापित क्लाउड एंडपॉइंटच्या मागे ठेवते — आणि संशोधन कार्यसंघांना मालकी संरचना-अंदाज प्रणालीसाठी खुलेपणे परवानाकृत पर्याय प्रदान करते.

OpenFold3 कोलंबिया विद्यापीठातील OpenFold Consortium आणि AlQuraishi Lab द्वारे विकसित केले गेले. इतर मुक्त-विज्ञान प्रयत्नांप्रमाणे जे नवीनतम AI संशोधन](https://aibuzzwire.news) प्रत्येकासाठी प्रवेशयोग्य ठेवतात, प्रकल्प ब्लॅक-बॉक्स API पेक्षा कितीतरी जास्त प्रकाशित करतो: Apache 2.0 परवान्या अंतर्गत कोड आणि मॉडेल वजन जहाज, आणि विकासकांनी प्रशिक्षण डेटा आणि पद्धती देखील प्रकाशित केल्या आहेत.

OpenFold3 काय अंदाज लावू शकतो

OpenFold3 हे सर्व-अणू संरचना अंदाज मॉडेल आहे. AWS च्या मते, ते रेणूंच्या संचाच्या संयुक्त 3D संरचनेचा त्यांच्या अनुक्रमांवरून अंदाज लावते — आणि ते एकल प्रोटीन साखळ्यांपुरते मर्यादित नाही. एकल अंदाज बहु-साखळी प्रोटीन कॉम्प्लेक्स, प्रोटीन-न्यूक्लिक ॲसिड असेंब्ली आणि प्रोटीन-लिगँड कॉम्प्लेक्स फोल्ड करू शकतो, जे औषधांच्या विकासामध्ये महत्त्वाच्या असलेल्या आण्विक परस्परसंवादाचा मोठा हिस्सा व्यापतात.

ही क्षमता महत्त्वाची आहे कारण रचना अंदाज शांतपणे संगणकीय औषध शोधासाठी मुख्य पायाभूत सुविधा बनले आहे. AWS च्या पोस्टमध्ये असे नमूद केले आहे की संघ आता लक्ष्य ओळख, अँटीबॉडी आणि प्रोटीन अभियांत्रिकी आणि संरचना-आधारित व्हर्च्युअल स्क्रीनिंगसाठी त्यावर अवलंबून आहेत - प्रारंभिक टप्प्यातील काम जे निर्धारित करते की कोणते औषध उमेदवार कधी ओल्या लॅबमध्ये पोहोचतात.

खुला परवाना हा मुद्दा आहे

Apache 2.0 लायसन्सिंग हे ओपनफोल्ड3 ला क्लोज फ्रंटियर सिस्टीमने भरलेल्या फील्डमध्ये वेगळे करते. संशोधन संस्था आणि फार्मास्युटिकल कंपन्या मॉडेलची तपासणी करू शकतात, मालकीच्या डेटावर छान-ट्यून करू शकतात आणि परवान्याच्या अटींनुसार व्यावसायिक उत्पादने तयार करू शकतात, AWS ने सांगितले. अशा उद्योगासाठी जेथे आण्विक संरचना आणि स्क्रीनिंग डेटा हे व्यापार रहस्यांचे बारकाईने रक्षण करतात, ज्या मॉडेलचे वजन आणि प्रशिक्षण पद्धती प्रकाशित केल्या जातात ते संघांना ऑडिटेबिलिटीची पातळी देते जे बंद API जुळू शकत नाही.

AWS OpenFold3-पूर्वावलोकनचे संशोधन पूर्वावलोकन म्हणून वर्णन करते, जे लक्षात ठेवण्यासारखे आहे: हे तयार उत्पादनाऐवजी लवकर, विकसित होणारे उपयोजन आहे. परंतु खुल्या, ऑल-एटम फोल्डिंग मॉडेलचे पूर्वावलोकन वितरण देखील शैक्षणिक लॅबसाठी अडथळा कमी करते जे मालकी मॉडेल प्रदात्यांसह एंटरप्राइझ परवान्यासाठी वाटाघाटी करू शकत नाहीत.

हे असिंक्रोनस इन्फरन्सवर का चालते

पायाभूत सुविधांची कथा ही मॉडेलप्रमाणेच मनोरंजक आहे. बऱ्याच जंपस्टार्ट मॉडेल्स — मोठ्या भाषेतील मॉडेल्स आणि त्यातील एम्बेडिंग मॉडेल्स — रीअल-टाइम एंडपॉइंट्सवर तैनात करतात ज्यांना 60 सेकंदांपर्यंत मर्यादित असलेल्या एकाच विनंतीमध्ये प्रतिसाद देणे आवश्यक आहे. संरचनेचा अंदाज त्या साच्यात बसत नाही. फोल्डिंग वेळ क्वेरीमधील साखळींच्या संख्येसह आणि लांबीसह वाढतो आणि वास्तविक-जगातील प्रथिने आणि कॉम्प्लेक्सचा अंदाज लावण्यासाठी अनेक मिनिटे लागतात.

त्या कारणास्तव, जंपस्टार्टवरील OpenFold3 SageMaker Asynchronous Inference वर चालते. AWS वैज्ञानिक वर्कलोड्सला अनुरूप असिंक्रोनस एंडपॉइंट्सचे दोन गुणधर्म हायलाइट करते: ते अंतर्गत विनंत्यांची रांग लावतात, त्यामुळे प्रयोगशाळा स्वतःची जॉब रांग न बांधता क्रमांची एक मोठी बॅच सबमिट करू शकते आणि जेव्हा रांग रिकामी असते तेव्हा ते शून्य घटनांमध्ये स्केल करू शकतात, जे GPU प्रयोगासाठी वेळ देणे टाळते. मॉडेल G6 GPU उदाहरणांवर चालते, आणि AWS चेतावणी देते की G6 क्षमता काही क्षेत्रांमध्ये मर्यादित असू शकते — अपर्याप्त इन्स्टन्स कॅपॅसिटी त्रुटीसह अयशस्वी होणाऱ्या उपयोजनांनी नंतर पुन्हा प्रयत्न करावा किंवा भिन्न समर्थित उदाहरण आकार निवडावा.

घोषणेमध्ये खर्चाची चेतावणी देखील दिली आहे: सेजमेकर एंडपॉइंट्स चालत असताना, निष्क्रिय असतानाही प्रति उदाहरण-तास बिल केले जातात. AWS ची पोस्ट वापरकर्त्यांना त्याच्या क्लीनअप चरणांचे अनुसरण करण्यास किंवा अनपेक्षित शुल्क टाळण्यासाठी स्केल-टू-शून्य कॉन्फिगर करण्यास सांगते - संशोधन बजेटसाठी व्यावहारिक सल्ला जे क्वचितच आश्चर्यचकित क्लाउड बिले सहन करतात.

एआय-चालित विज्ञानासाठी याचा अर्थ काय आहे

ओपन सायन्स आणि कमर्शियल क्लाउड इन्फ्रास्ट्रक्चर कोठे एकत्र येत आहेत याबद्दल वितरण करार हा एक सिग्नल आहे. OpenFold3 च्या डेव्हलपर्सनी एक मॉडेल तयार केले आहे जे तपासणी, छान-ट्यून आणि विस्तारित करण्यासाठी डिझाइन केले आहे; AWS ने सर्व्हिंग लेयर तयार केला जो अस्ताव्यस्त ऑपरेशनल रिॲलिटी हाताळतो — मल्टी-मिनिट इन्फरन्स, बर्स्टी बॅच वर्कलोड्स, निष्क्रिय-वेळ खर्च — जे बहुतेक लॅब्सला सेल्फ-होस्टिंगपासून थांबवतात. एकत्रितपणे, ते एक क्षमता तयार करतात ज्यासाठी नुकतेच क्लाउड खाते असलेल्या मानक संशोधन कार्यसंघासाठी सखोल एमएल अभियांत्रिकी कौशल्य उपलब्ध आहे.

स्पर्धात्मक लँडस्केप देखील पाहण्यासारखे आहे. स्ट्रक्चर प्रेडिक्शन मॉडेल्स औषध शोध शस्त्रास्त्रांच्या शर्यतीच्या केंद्रस्थानी बसतात ज्यामध्ये जगातील काही सर्वोत्तम-निधी असलेल्या AI लॅबचा समावेश होतो आणि खुले पर्याय त्या मार्केटमधील प्रत्येकाची वाटाघाटी करण्याची स्थिती बदलतात. जर एखादी फार्मास्युटिकल कंपनी बंद सिस्टीम भाड्याने देण्याऐवजी स्वत:च्या डेटावर Apache 2.0 मॉडेलला छान-ट्यून करू शकते, तर AI-सहाय्यित औषध शोधाचे अर्थशास्त्र अर्थपूर्णपणे बदलते.

यापैकी काहीही वैज्ञानिक चेतावणी सोडवत नाही. प्रेडिक्टेड स्ट्रक्चर्स कॉम्प्युटेशनल गृहीतके आहेत, प्रायोगिकरित्या निर्धारित तथ्ये नाहीत आणि AWS चे स्वतःचे पोस्ट नेमके त्याच कारणासाठी संशोधन पूर्वावलोकन म्हणून तैनाती फ्रेम करते. पण दिशा स्पष्ट आहे: ओपन-वेट इकोसिस्टम ज्याने नैसर्गिक भाषा प्रक्रियेचा आकार बदलला आहे ते आता आण्विक विज्ञानापर्यंत पोहोचत आहे आणि क्लाउड प्रदाते ते होस्ट करण्यासाठी धावत आहेत.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →