Amazon meluncurkan platform baru, Amazon Bio Discovery, di Simposium Ilmu Hayati AWS pada pertengahan April.
Memorial Sloan Kettering Cancer Center (MSK) adalah salah satu penguji pertama. Mereka melakukan sesuatu yang sangat representatif: mendesain hampir 300.000 kandidat nanobody yang menargetkan kanker anak dalam hitungan minggu, dan mengirimkan 100.000 kandidat terbaik langsung ke laboratorium basah untuk sintesis dan pengujian.
Proses ini biasanya memakan waktu satu tahun.
Bagaimana platform ini bekerja
Amazon Bio Discovery menggabungkan tiga hal:
1. Pustaka model dasar biologis
Platform ini mencakup lebih dari 40 model dasar yang dilatih secara khusus pada data biologis, mencakup prediksi struktur protein, desain antibodi, dan generasi molekul obat. Penyedia model termasuk Apheris dan Boltz, dengan Biohub dan Profluent diperkirakan akan bergabung. Tidak seperti model bahasa besar serbaguna, model-model ini dilatih pada data eksperimental biologis dan memiliki pemahaman yang ditargetkan tentang hubungan struktur-fungsi molekul. Pengguna juga dapat menyetel model dengan data eksperimental mereka sendiri tanpa perlu membangun jalur pelatihan sendiri.
2. Antarmuka agen AI
Ini adalah kunci yang membuatnya dapat digunakan oleh non-ahli komputasi. Beri tahu dalam bahasa alami apa yang harus dilakukan — misalnya, temukan nanobody yang dapat mengikat protein target ini — dan agen AI secara otomatis memilih model yang sesuai, merancang alur kerja eksperimental, dan menafsirkan hasil komputasi. Tidak perlu menulis kode sama sekali.
Eksekutif AWS, Rajiv Chopra, mengatakan bahwa agen AI membuat kemampuan ilmiah yang kuat tidak lagi hanya menjadi milik peneliti komputasi.
3. Antarmuka laboratorium (Lab-in-the-loop)
Inilah yang membuat Amazon Bio Discovery benar-benar istimewa. Platform ini tidak hanya melakukan komputasi; platform ini juga terhubung langsung ke laboratorium basah yang nyata. Ketika AI menyaring molekul kandidat berpotensi tinggi, molekul tersebut dapat dikirim dengan satu klik ke laboratorium mitra untuk sintesis dan pengujian fisik. Mitra laboratorium saat ini adalah Twist Bioscience dan Ginkgo Bioworks, dan A-Alpha Bio akan segera bergabung. Setelah hasil pengujian kembali, hasil tersebut secara otomatis diumpankan kembali ke model untuk mengoptimalkan parameter desain putaran berikutnya. Inilah yang disebut loop eksperimental: AI mendesain → laboratorium basah memvalidasi → hasil diumpankan kembali → AI mendesain ulang.
Apa arti kasus MSK sebenarnya
Memorial Sloan Kettering Cancer Center adalah lembaga penelitian kanker terkemuka di AS. Kasus uji mereka:
- Memasukkan data struktur protein target terkait kanker anak
- AI menghasilkan sekitar 300.000 proposal desain nanobody
- Menyaring berdasarkan kriteria seperti kemampuan manufaktur dan stabilitas, memilih 100.000 untuk laboratorium basah
- Mendapatkan hasil eksperimen dalam hitungan minggu
AWS menerbitkan kertas putih ilmiah khusus untuk proyek ini, yang mendokumentasikan seluruh alur kerja desain nanobody. Dalam proses tradisional, satu siklus desain-uji-iterasi saja memakan waktu berbulan-bulan, dan menyelesaikan seluruh siklus biasanya memakan waktu satu tahun. Ini bukan hanya masalah komputasi yang lebih cepat; intinya adalah menghubungkan aliran informasi antara desain dan validasi, menghilangkan gesekan koordinasi manual yang ekstensif di antaranya.
Siapa yang menggunakannya
Pengguna awal yang diketahui:
- Bayer: Salah satu perusahaan farmasi terbesar di dunia
- Broad Institute: Lembaga penelitian genomik yang didirikan bersama oleh MIT dan Harvard
- Voyager Therapeutics: Berfokus pada terapi gen untuk penyakit neurologis
AWS juga mengungkapkan data latar belakang: 19 dari 20 perusahaan farmasi global teratas sudah menggunakan layanan cloud AWS untuk penelitian. Ini bukan tentang mendapatkan pelanggan baru dari awal, tetapi integrasi mendalam dalam basis pelanggan yang sudah ada.
Mengapa ini bukan sekadar alat penemuan obat AI lainnya
AI telah bergema di bidang penemuan obat selama beberapa tahun, dengan berbagai perusahaan datang dan pergi. Yang membedakan Amazon Bio Discovery adalah ia tidak hanya menjual model atau daya komputasi, tetapi menghubungkan sisi komputasi dengan sisi eksperimental.
Bagian paling lambat dari pengembangan obat bukanlah menjalankan model; itu adalah menunggu hasil tes laboratorium, menjembatani kesenjangan informasi antara prediksi komputasi dan validasi fisik, dan memungkinkan ahli biologi yang tidak bisa coding untuk memahami cara menggunakan alat AI. Amazon Bio Discovery menangani ketiga masalah ini secara langsung.
Tentu saja, platform baru saja diluncurkan, dan data skala besar tentang biaya dan tingkat keberhasilan akan membutuhkan waktu untuk dikumpulkan. Kasus MSK adalah awal yang sangat baik, tetapi masih ada jarak antara mendesain lebih banyak kandidat dan benar-benar menemukan obat yang menyembuhkan penyakit lebih cepat.
Meskipun demikian, pendekatannya patut dicatat: menanamkan agen AI ke dalam loop operasi fisik laboratorium adalah kerangka kerja yang dapat langsung direplikasi dalam penemuan material, ilmu pangan, dan kimia pertanian — bidang apa pun yang membutuhkan iterasi eksperimental ekstensif. AWS memilih farmasi kali ini karena pasarnya cukup besar, kebutuhannya cukup mendesak, dan pelanggannya sudah ada.
Sumber: AWS Launches Amazon Bio Discovery Agentic AI to Accelerate Drug Development (Genetic Engineering & Biotechnology News), CocoLoop, Amazon launches its AI drug discovery platform (pharmaphorum)