Amazon lanzó una nueva plataforma en el simposio AWS Life Sciences a mediados de abril: Amazon Bio Discovery.
El Memorial Sloan Kettering Cancer Center (MSK) fue uno de los primeros usuarios de prueba. Hicieron algo muy representativo: diseñaron casi 300.000 candidatos a nanocuerpos dirigidos a dianas de cáncer infantil en unas pocas semanas y enviaron los 100.000 mejores directamente al laboratorio húmedo para su síntesis y prueba.
Este proceso, en condiciones normales, llevaría un año.
Cómo funciona esta plataforma
Amazon Bio Discovery combina tres cosas:
Uno, Biblioteca de modelos base biológicos
La plataforma integra más de 40 modelos base entrenados específicamente en datos biológicos, que cubren áreas como predicción de estructura de proteínas, diseño de anticuerpos y generación de moléculas de fármacos. Las organizaciones proveedoras de modelos incluyen Apheris y Boltz, y se espera que Biohub y Profluent también se unan.
A diferencia de los grandes modelos de lenguaje generales, estos modelos están entrenados específicamente en datos experimentales biológicos, con una comprensión dirigida de las relaciones estructura-función de las moléculas. Los usuarios también pueden usar sus propios datos experimentales acumulados para ajustar los modelos, sin necesidad de construir su propio pipeline de entrenamiento.
Dos, Interfaz de agente de IA
Este es el elemento clave para que los no expertos en computación también puedan usarla. Se le dice en lenguaje natural lo que hay que hacer —por ejemplo, encontrar nanocuerpos que puedan unirse a esta proteína diana— y el agente de IA selecciona automáticamente el modelo adecuado, diseña el flujo experimental e interpreta los resultados del cálculo. Todo el proceso no requiere escribir código.
Según el ejecutivo de AWS Rajiv Chopra, el agente de IA hace que las capacidades científicas poderosas ya no sean exclusivas de los investigadores que entienden de computación.
Tres, Interfaz de laboratorio (Lab-in-the-loop)
Este es el punto realmente especial de Amazon Bio Discovery. La plataforma no solo realiza cálculos, sino que también se conecta directamente con laboratorios húmedos reales.
Cuando la IA selecciona moléculas candidatas de alto potencial, se pueden enviar con un clic a laboratorios asociados para su síntesis y prueba físicas. Los socios de laboratorio actuales son Twist Bioscience y Ginkgo Bioworks, y A-Alpha Bio también está a punto de unirse.
Después de que los resultados de las pruebas regresan, se retroalimentan automáticamente al modelo para optimizar los parámetros de diseño de la siguiente ronda. Esto se denomina ciclo experimental: Diseño de IA → Verificación en laboratorio húmedo → Retroalimentación de resultados → Rediseño de IA.
Qué significa realmente el caso de MSK
El Memorial Sloan Kettering Cancer Center es una de las principales instituciones de investigación oncológica de EE. UU. Su caso de prueba:
- Ingresar datos estructurales de proteínas diana relacionadas con el cáncer infantil
- La IA genera alrededor de 300.000 diseños de nanocuerpos
- Seleccionar por indicadores como capacidad de fabricación y estabilidad, eligiendo 100.000 para enviar al laboratorio húmedo
- Obtener resultados experimentales en unas pocas semanas
AWS publicó un libro blanco científico dedicado para este proyecto, documentando todo el proceso de diseño de nanocuerpos. En el proceso tradicional, un ciclo de diseño-prueba-iteración ya lleva varios meses, y completar todo el ciclo generalmente lleva un año.
No se trata solo de computación más rápida, el núcleo es conectar los flujos de información entre las dos etapas de diseño y verificación, eliminando gran parte de la fricción de coordinación manual.
Quién lo está usando
Usuarios iniciales conocidos:
- Bayer: Una de las empresas farmacéuticas más grandes del mundo
- Broad Institute: Institución de investigación genómica fundada por MIT y Harvard
- Voyager Therapeutics: Especializada en terapia génica para enfermedades neurológicas
AWS también reveló un dato de contexto: 19 de las 20 empresas farmacéuticas más grandes del mundo ya utilizan los servicios en la nube de AWS para trabajos de investigación. Esta vez no se trata de atraer clientes desde cero, sino de hacer una integración más profunda entre los clientes existentes.
Por qué esto no es solo otra herramienta de IA farmacéutica
La IA en el campo del descubrimiento de fármacos ya ha estado activa durante varios años, muchas empresas vinieron y se fueron.
La diferencia de Amazon Bio Discovery es: no solo vende modelos o potencia computacional, sino que conecta el lado computacional con el lado experimental.
La parte más lenta del desarrollo de fármacos nunca fue ejecutar modelos, sino esperar los resultados de las pruebas de laboratorio, conectar la información entre la predicción computacional y la verificación física, y lograr que un biólogo que no sabe programar entienda cómo usar herramientas de IA. Estos tres problemas, Amazon Bio Discovery los está abordando directamente.
Por supuesto, la plataforma acaba de lanzarse, y los datos de costo y tasa de éxito a gran escala aún necesitan tiempo para acumularse. El caso de MSK es el mejor comienzo, pero desde diseñar más candidatos hasta descubrir realmente un medicamento que cure enfermedades más rápidamente, todavía hay una distancia.
Sin embargo, el enfoque merece atención: incorporar agentes de IA en el ciclo de operaciones físicas del laboratorio, este marco se puede copiar directamente al descubrimiento de materiales, ciencia de los alimentos, química agrícola, cualquier área que necesite muchas iteraciones experimentales puede usarlo. AWS eligió la industria farmacéutica esta vez porque el mercado es lo suficientemente grande, la demanda es lo suficientemente urgente y los clientes ya están allí.
Fuente de referencia: AWS Launches Amazon Bio Discovery Agentic AI to Accelerate Drug Development (Genetic Engineering & Biotechnology News), CocoLoop, Amazon launches its AI drug discovery platform (pharmaphorum)