Amazon Web Services ได้สร้าง OpenFold3-preview ซึ่งเป็นโมเดลการคาดการณ์โครงสร้างชีวโมเลกุลแบบโอเพ่นซอร์ส ซึ่งปรับใช้ได้โดยตรงจาก Amazon SageMaker JumpStart ตามโพสต์เมื่อวันที่ 13 พฤศจิกายนในบล็อก AWS Machine Learning การย้ายครั้งนี้ทำให้หนึ่งในตระกูลแบบจำลองที่เป็นผลสืบเนื่องมากที่สุดของชีววิทยาคอมพิวเตอร์อยู่เบื้องหลังจุดสิ้นสุดบนคลาวด์ที่ได้รับการจัดการ และมอบทางเลือกที่ได้รับอนุญาตอย่างเปิดเผยให้กับทีมวิจัยแทนระบบทำนายโครงสร้างที่เป็นกรรมสิทธิ์

OpenFold3 ได้รับการพัฒนาโดย OpenFold Consortium และ AlQuraishi Lab ที่มหาวิทยาลัยโคลัมเบีย เช่นเดียวกับความพยายามด้านวิทยาศาสตร์เปิดอื่นๆ ที่ทำให้ การวิจัย AI ล่าสุด เข้าถึงได้สำหรับทุกคน โปรเจ็กต์นี้เผยแพร่มากกว่า API แบบกล่องดำ: โค้ดและน้ำหนักโมเดลจัดส่งภายใต้ลิขสิทธิ์ Apache 2.0 และนักพัฒนาก็ได้เผยแพร่ข้อมูลและวิธีการฝึกอบรมด้วยเช่นกัน

สิ่งที่ OpenFold3 สามารถทำนายได้

OpenFold3 เป็นแบบจำลองการทำนายโครงสร้างอะตอมทั้งหมด ตามข้อมูลของ AWS ระบบคาดการณ์โครงสร้าง 3 มิติร่วมของชุดโมเลกุลโดยตรงจากลำดับของมัน และไม่จำกัดเพียงสายโซ่โปรตีนเดี่ยว การทำนายเพียงครั้งเดียวสามารถพับคอมเพล็กซ์โปรตีนหลายสาย แอสเซมบลีของโปรตีน–กรดนิวคลีอิก และคอมเพล็กซ์โปรตีน–ลิแกนด์ ซึ่งครอบคลุมส่วนใหญ่ของปฏิสัมพันธ์ของโมเลกุลที่สำคัญในการพัฒนายา

ความสามารถนั้นมีความสำคัญเนื่องจากการทำนายโครงสร้างได้กลายเป็นโครงสร้างพื้นฐานหลักสำหรับการค้นพบยาด้วยคอมพิวเตอร์อย่างเงียบๆ โพสต์ของ AWS ตั้งข้อสังเกตว่าขณะนี้ทีมงานพึ่งพาการระบุเป้าหมาย วิศวกรรมแอนติบอดีและโปรตีน และการคัดกรองเสมือนตามโครงสร้าง ซึ่งเป็นงานในระยะเริ่มต้นที่จะกำหนดว่าผู้สมัครรับยาตัวใดจะเข้าถึงห้องปฏิบัติการเปียกได้

ใบอนุญาตแบบเปิดคือประเด็น

ใบอนุญาต Apache 2.0 คือสิ่งที่ทำให้ OpenFold3 แตกต่างในด้านที่อัดแน่นไปด้วยระบบชายแดนแบบปิด องค์กรวิจัยและบริษัทยาสามารถตรวจสอบแบบจำลอง ปรับแต่งข้อมูลที่เป็นกรรมสิทธิ์ และสร้างผลิตภัณฑ์เชิงพาณิชย์นอกเหนือจากนั้นภายใต้เงื่อนไขของใบอนุญาต AWS กล่าว สำหรับอุตสาหกรรมที่โครงสร้างโมเลกุลและข้อมูลการคัดกรองได้รับการดูแลอย่างใกล้ชิดกับความลับทางการค้า โมเดลที่มีการเผยแพร่น้ำหนักและวิธีการฝึกอบรมจะทำให้ทีมสามารถตรวจสอบได้ในระดับที่ API แบบปิดไม่สามารถจับคู่ได้

AWS อธิบาย OpenFold3-preview ว่าเป็นการแสดงตัวอย่างการวิจัย ซึ่งควรค่าแก่การคำนึงถึง: นี่เป็นการปรับใช้ในช่วงเริ่มต้นที่มีการพัฒนามากกว่าเป็นผลิตภัณฑ์สำเร็จรูป แต่แม้แต่การแสดงตัวอย่างแบบจำลองการพับแบบเปิดแบบอะตอมทั้งหมดก็ช่วยลดอุปสรรคสำหรับห้องปฏิบัติการทางวิชาการที่ไม่สามารถเจรจาใบอนุญาตระดับองค์กรกับผู้ให้บริการโมเดลที่เป็นกรรมสิทธิ์ได้

เหตุใดจึงทำงานบนการอนุมานแบบอะซิงโครนัส

เรื่องราวของโครงสร้างพื้นฐานมีความน่าสนใจพอๆ กับตัวโมเดลเอง โมเดล JumpStart ส่วนใหญ่ — โมเดลภาษาขนาดใหญ่และโมเดลที่ฝังไว้ — ปรับใช้กับจุดสิ้นสุดแบบเรียลไทม์ที่ต้องส่งคืนการตอบสนองภายในคำขอเดียวที่จำกัดไว้ที่ 60 วินาที การทำนายโครงสร้างไม่เหมาะกับแบบแม่พิมพ์นั้น เวลาในการพับจะเพิ่มขึ้นตามจำนวนและความยาวของสายโซ่ในการสืบค้น และโปรตีนและสารเชิงซ้อนในโลกแห่งความเป็นจริงมักใช้เวลาหลายนาทีในการคาดเดา

ด้วยเหตุผลดังกล่าว OpenFold3 บน JumpStart จึงทำงานบน SageMaker Asynchronous Inference AWS เน้นย้ำคุณสมบัติสองประการของตำแหน่งข้อมูลแบบอะซิงโครนัสที่เหมาะกับปริมาณงานทางวิทยาศาสตร์ ได้แก่ จัดคิวคำขอจำนวนมากภายใน เพื่อให้ห้องปฏิบัติการสามารถส่งลำดับจำนวนมากโดยไม่ต้องสร้างคิวงานของตัวเอง และยังสามารถปรับขนาดเป็นศูนย์อินสแตนซ์เมื่อคิวว่างเปล่า ซึ่งช่วยหลีกเลี่ยงการจ่ายเงินสำหรับเวลา GPU ที่ไม่ได้ใช้งานระหว่างการทดลอง โมเดลนี้ทำงานบนอินสแตนซ์ G6 GPU และ AWS เตือนว่าความจุ G6 อาจถูกจำกัดในบางภูมิภาค การปรับใช้ที่ล้มเหลวโดยมีข้อผิดพลาด InsufficientInstanceCapacity ควรลองอีกครั้งในภายหลังหรือเลือกขนาดอินสแตนซ์ที่รองรับอื่น

นอกจากนี้ยังมีคำเตือนเรื่องค่าใช้จ่ายในประกาศอีกด้วย: ตำแหน่งข้อมูล SageMaker จะถูกเรียกเก็บเงินต่อชั่วโมงอินสแตนซ์ในขณะที่ทำงาน รวมถึงในขณะที่ไม่ได้ใช้งานด้วย โพสต์ของ AWS บอกให้ผู้ใช้ทำตามขั้นตอนการล้างข้อมูลหรือกำหนดค่าขนาดเป็นศูนย์เพื่อหลีกเลี่ยงค่าใช้จ่ายที่ไม่คาดคิด ซึ่งเป็นคำแนะนำที่เป็นประโยชน์สำหรับงบประมาณการวิจัยที่ไม่ค่อยทนต่อค่าใช้จ่ายบนคลาวด์ที่น่าประหลาดใจ

วิทยาศาสตร์ที่ขับเคลื่อนด้วย AI มีความหมายอย่างไร

ข้อตกลงการจัดจำหน่ายเป็นสัญญาณว่าวิทยาศาสตร์แบบเปิดและโครงสร้างพื้นฐานคลาวด์เชิงพาณิชย์มาบรรจบกันที่จุดใด นักพัฒนาของ OpenFold3 ได้สร้างแบบจำลองที่ออกแบบมาเพื่อรับการตรวจสอบ ปรับแต่ง และขยาย; AWS สร้างเลเยอร์การให้บริการที่จัดการความเป็นจริงในการปฏิบัติงานที่น่าอึดอัด เช่น การอนุมานหลายนาที ปริมาณงานจำนวนมากที่อัดแน่น ต้นทุนเวลาว่าง ซึ่งทำให้ห้องปฏิบัติการส่วนใหญ่ไม่สามารถโฮสต์ด้วยตนเองได้ พวกเขาร่วมกันสร้างความสามารถที่เมื่อเร็วๆ นี้จำเป็นต้องใช้ความเชี่ยวชาญด้านวิศวกรรม ML ในเชิงลึกสำหรับทีมวิจัยมาตรฐานที่มีบัญชีระบบคลาวด์

ภูมิทัศน์การแข่งขันก็น่าจับตามองเช่นกัน แบบจำลองการทำนายโครงสร้างเป็นศูนย์กลางของการแข่งขันด้านอาวุธในการค้นคว้ายา ซึ่งรวมถึงห้องปฏิบัติการ AI ที่ได้รับทุนสนับสนุนดีที่สุดในโลก และทางเลือกแบบเปิดจะเปลี่ยนตำแหน่งการเจรจาของทุกคนในตลาดนั้น หากบริษัทยาสามารถปรับแต่งโมเดล Apache 2.0 ด้วยข้อมูลของตนเอง แทนที่จะเช่าระบบปิด เศรษฐศาสตร์ของการค้นพบยาที่ได้รับความช่วยเหลือจาก AI จะเปลี่ยนไปอย่างมีความหมาย

ไม่มีสิ่งใดที่สามารถแก้ไขคำเตือนทางวิทยาศาสตร์ได้ โครงสร้างที่คาดการณ์ไว้เป็นสมมติฐานทางคอมพิวเตอร์ ไม่ใช่ข้อเท็จจริงที่ได้จากการทดลอง และโพสต์ของ AWS เองก็กำหนดกรอบการปรับใช้เป็นตัวอย่างการวิจัยด้วยเหตุผลดังกล่าว แต่ทิศทางนั้นชัดเจน: ระบบนิเวศแบบเปิดที่เปลี่ยนรูปแบบการประมวลผลภาษาธรรมชาติกำลังเข้าถึงวิทยาศาสตร์ระดับโมเลกุล และผู้ให้บริการระบบคลาวด์ก็เร่งรีบที่จะเป็นเจ้าภาพ

---

ก้าวนำหน้า AI

รับข่าวสาร AI การวิเคราะห์ และความก้าวหน้าล่าสุด ทั้งหมดในที่เดียว

อ่านข่าว AI เพิ่มเติม →