AWS مشین لرننگ بلاگ پر 13 نومبر کی پوسٹ کے مطابق، Amazon Web Services نے OpenFold3-preview، ایک اوپن سورس بائیو مالیکولر ڈھانچے کی پیشن گوئی ماڈل بنایا ہے، جو براہ راست Amazon SageMaker JumpStart سے قابل استعمال ہے۔ یہ اقدام کمپیوٹیشنل بائیولوجی کے سب سے زیادہ نتیجہ خیز ماڈل خاندانوں میں سے ایک کو ایک منظم کلاؤڈ اینڈ پوائنٹ کے پیچھے رکھتا ہے - اور ریسرچ ٹیموں کو ملکیتی ڈھانچے کی پیشن گوئی کے نظام کا کھلا لائسنس یافتہ متبادل فراہم کرتا ہے۔

OpenFold3 کو کولمبیا یونیورسٹی میں اوپن فولڈ کنسورشیم اور القریشی لیب نے تیار کیا تھا۔ اوپن سائنس کی دیگر کوششوں کی طرح جو تازہ ترین AI تحقیق* کو ہر کسی کے لیے قابل رسائی رکھتی ہے، یہ پروجیکٹ بلیک باکس API سے کہیں زیادہ شائع کرتا ہے: Apache 2.0 لائسنس کے تحت کوڈ اور ماڈل ویٹ شپ، اور ڈویلپرز نے تربیتی ڈیٹا اور طریقے بھی شائع کیے ہیں۔

اوپن فولڈ 3 کیا پیش گوئی کر سکتا ہے۔

OpenFold3 ایک آل ایٹم ڈھانچہ پیشین گوئی ماڈل ہے۔ AWS کے مطابق، یہ انووں کے ایک سیٹ کے مشترکہ 3D ڈھانچے کی براہ راست ان کی ترتیب سے پیش گوئی کرتا ہے - اور یہ واحد پروٹین چین تک محدود نہیں ہے۔ ایک ہی پیشین گوئی ملٹی چین پروٹین کمپلیکس، پروٹین – نیوکلک ایسڈ اسمبلیوں، اور پروٹین – لیگنڈ کمپلیکس کو جوڑ سکتی ہے، جو کہ سالماتی تعاملات کے ایک بڑے حصے کا احاطہ کرتی ہے جو منشیات کی نشوونما میں اہم ہیں۔

یہ صلاحیت اہمیت رکھتی ہے کیونکہ ساخت کی پیشن گوئی خاموشی سے کمپیوٹیشنل منشیات کی دریافت کے لیے بنیادی ڈھانچہ بن گئی ہے۔ AWS کی پوسٹ نوٹ کرتی ہے کہ ٹیمیں اب ہدف کی شناخت، اینٹی باڈی اور پروٹین انجینئرنگ، اور ساخت پر مبنی ورچوئل اسکریننگ کے لیے اس پر انحصار کرتی ہیں - ابتدائی مرحلے کا کام جو اس بات کا تعین کرتا ہے کہ کون سے منشیات کے امیدوار کبھی گیلی لیب تک پہنچتے ہیں۔

ایک کھلا لائسنس نقطہ ہے۔

Apache 2.0 لائسنسنگ وہی ہے جو OpenFold3 کو بند فرنٹیئر سسٹمز سے بھرے فیلڈ میں ممتاز کرتی ہے۔ AWS نے کہا کہ ریسرچ آرگنائزیشنز اور فارماسیوٹیکل کمپنیاں ماڈل کا معائنہ کر سکتی ہیں، ملکیتی ڈیٹا پر اسے ٹھیک کر سکتی ہیں، اور لائسنس کی شرائط کے تحت اس کے اوپر تجارتی مصنوعات بنا سکتی ہیں۔ ایک ایسی صنعت کے لیے جہاں مالیکیولر ڈھانچے اور اسکریننگ کے ڈیٹا کو تجارتی رازوں کی باریک بینی سے حفاظت کی جاتی ہے، ایک ایسا ماڈل جس کے وزن اور تربیت کے طریقے شائع کیے جاتے ہیں ٹیموں کو آڈیٹیبلٹی کی ایک سطح فراہم کرتا ہے جس سے بند APIs مماثل نہیں ہوسکتے ہیں۔

AWS OpenFold3-preview کو ایک تحقیقی پیش نظارہ کے طور پر بیان کرتا ہے، جو ذہن میں رکھنے کے قابل ہے: یہ ایک تیار شدہ پروڈکٹ کے بجائے ایک ابتدائی، ارتقا پذیر تعیناتی ہے۔ لیکن یہاں تک کہ کھلے، آل ایٹم فولڈنگ ماڈل کی پیش نظارہ تقسیم بھی تعلیمی لیبز کے لیے رکاوٹ کو کم کرتی ہے جو ملکیتی ماڈل فراہم کرنے والوں کے ساتھ انٹرپرائز لائسنس پر بات چیت نہیں کر سکتیں۔

یہ غیر مطابقت پذیر انفرنس پر کیوں چلتا ہے۔

انفراسٹرکچر کی کہانی اتنی ہی دلچسپ ہے جتنی کہ خود ماڈل۔ جمپ سٹارٹ کے زیادہ تر ماڈلز - بڑے لینگویج ماڈلز اور ان میں ایمبیڈنگ ماڈلز - ریئل ٹائم اینڈ پوائنٹس پر تعینات ہوتے ہیں جن کو 60 سیکنڈ تک محدود ایک درخواست کے اندر جواب دینا چاہیے۔ ساخت کی پیشن گوئی اس سانچے کے مطابق نہیں ہے۔ سوال میں زنجیروں کی تعداد اور لمبائی کے ساتھ فولڈنگ کا وقت بڑھتا ہے، اور حقیقی دنیا کے پروٹین اور کمپلیکس اکثر پیشین گوئی کرنے میں کئی منٹ لگتے ہیں۔

اسی وجہ سے، JumpStart پر OpenFold3 SageMaker Asynchronous Inference پر چلتا ہے۔ AWS سائنسی کام کے بوجھ کے مطابق مطابقت پذیر اختتامی پوائنٹس کی دو خصوصیات کو نمایاں کرتا ہے: وہ داخلی طور پر درخواستوں کی قطار لگاتے ہیں، اس لیے ایک لیب اپنی ملازمت کی قطار بنائے بغیر ترتیب کا ایک بڑا بیچ جمع کر سکتی ہے، اور جب قطار خالی ہو تو وہ صفر کی صورت میں اسکیل کر سکتے ہیں، جو کہ GPU کے درمیان وقت کی ادائیگی سے گریز کرتا ہے۔ ماڈل G6 GPU مثالوں پر چلتا ہے، اور AWS خبردار کرتا ہے کہ کچھ خطوں میں G6 کی صلاحیت محدود ہو سکتی ہے — جو تعیناتیاں ناکافی انسٹینس کیپیسیٹی کی خرابی کے ساتھ ناکام ہوتی ہیں انہیں بعد میں دوبارہ کوشش کرنی چاہیے یا ایک مختلف معاون مثال کے سائز کا انتخاب کرنا چاہیے۔

اعلان میں لاگت کی وارننگ بھی شامل ہے: سیج میکر اینڈ پوائنٹس کو چلتے وقت فی مثال-گھنٹہ بل دیا جاتا ہے، بشمول بیکار رہنا۔ AWS کی پوسٹ صارفین سے کہتی ہے کہ وہ اس کی صفائی کے مراحل پر عمل کریں یا غیر متوقع چارجز سے بچنے کے لیے اسکیل ٹو صفر ترتیب دیں - تحقیقی بجٹ کے لیے عملی مشورہ جو شاذ و نادر ہی حیران کن کلاؤڈ بلز کو برداشت کرتے ہیں۔

AI سے چلنے والی سائنس کے لیے اس کا کیا مطلب ہے۔

ڈسٹری بیوشن ڈیل اس بات کا اشارہ ہے کہ اوپن سائنس اور کمرشل کلاؤڈ انفراسٹرکچر کہاں اکٹھا ہو رہے ہیں۔ OpenFold3 کے ڈویلپرز نے ایک ایسا ماڈل بنایا ہے جسے معائنہ کرنے، ٹھیک کرنے اور توسیع دینے کے لیے ڈیزائن کیا گیا ہے۔ AWS نے خدمت کرنے والی پرت بنائی جو عجیب و غریب آپریشنل حقیقتوں کو سنبھالتی ہے — ملٹی منٹ انفرنس، برسٹی بیچ ورک بوجھ، بیکار وقت کے اخراجات — جو زیادہ تر لیبز کو خود میزبانی سے روکتی ہے۔ ایک ساتھ مل کر، وہ ایک ایسی صلاحیت بناتے ہیں جس کے لیے حال ہی میں کلاؤڈ اکاؤنٹ کے ساتھ معیاری تحقیقی ٹیم کو دستیاب گہری ML انجینئرنگ مہارت کی ضرورت تھی۔

مسابقتی زمین کی تزئین بھی دیکھنے کے قابل ہے۔ ساخت کی پیشن گوئی کے ماڈل منشیات کی دریافت کے اسلحے کی دوڑ کے مرکز میں بیٹھتے ہیں جس میں دنیا کی چند بہترین مالی امداد سے چلنے والی AI لیبز شامل ہیں، اور کھلے متبادل اس مارکیٹ میں ہر کسی کی بات چیت کی پوزیشن کو بدل دیتے ہیں۔ اگر کوئی دوا ساز کمپنی بند نظام کو کرایہ پر لینے کے بجائے اپنے ڈیٹا پر اپاچی 2.0 ماڈل کو ٹھیک کر سکتی ہے، تو AI کی مدد سے منشیات کی دریافت کی معاشیات معنی خیز طور پر بدل جاتی ہے۔

اس میں سے کوئی بھی سائنسی انتباہات کو حل نہیں کرتا ہے۔ پیش گوئی شدہ ڈھانچے کمپیوٹیشنل مفروضے ہیں، تجرباتی طور پر طے شدہ حقائق نہیں، اور AWS کی اپنی پوسٹ بالکل اسی وجہ سے تحقیقی پیش نظارہ کے طور پر تعیناتی کو فریم کرتی ہے۔ لیکن سمت واضح ہے: اوپن ویٹ ایکو سسٹم جس نے قدرتی لینگویج پروسیسنگ کو نئی شکل دی وہ اب مالیکیولر سائنسز تک پہنچ رہا ہے، اور کلاؤڈ فراہم کرنے والے اس کی میزبانی کے لیے دوڑ لگا رہے ہیں۔

---

AI سے آگے رہیں

تازہ ترین AI خبریں، تجزیہ اور کامیابیاں حاصل کریں — سب ایک جگہ پر۔

مزید AI خبریں پڑھیں →