A Amazon lançou uma nova plataforma no simpósio AWS Life Sciences em meados de abril: Amazon Bio Discovery.
O Memorial Sloan Kettering Cancer Center (MSK) foi um dos primeiros usuários de teste. Eles fizeram algo muito representativo: projetaram quase 300.000 candidatos a nanocorpos direcionados a alvos de câncer infantil em algumas semanas e enviaram os 100.000 melhores diretamente para o laboratório úmido para síntese e teste.
Esse processo, em condições normais, levaria um ano.
Como a plataforma funciona
O Amazon Bio Discovery combina três coisas:
Um, Biblioteca de modelos de base biológica
A plataforma integra mais de 40 modelos de base treinados especificamente em dados biológicos, cobrindo áreas como previsão de estrutura de proteínas, design de anticorpos e geração de moléculas de medicamentos. As organizações provedoras de modelos incluem Apheris e Boltz, e espera-se que Biohub e Profluent também se juntem.
Diferente dos grandes modelos de linguagem gerais, esses modelos são treinados especificamente em dados experimentais biológicos, com uma compreensão direcionada das relações estrutura-função das moléculas. Os usuários também podem usar seus próprios dados experimentais acumulados para ajustar os modelos, sem precisar construir seu próprio pipeline de treinamento.
Dois, Interface de agente de IA
Este é o elemento-chave para que não especialistas em computação também possam usar. Basta dizer em linguagem natural o que precisa ser feito — por exemplo, encontrar nanocorpos que possam se ligar a essa proteína alvo — e o agente de IA seleciona automaticamente o modelo apropriado, projeta o fluxo experimental e interpreta os resultados do cálculo. Todo o processo não requer escrita de código.
Segundo o executivo da AWS Rajiv Chopra, o agente de IA torna as capacidades científicas poderosas não mais exclusivas para pesquisadores que entendem de computação.
Três, Interface de laboratório (Lab-in-the-loop)
Este é o ponto realmente especial do Amazon Bio Discovery. A plataforma não apenas realiza cálculos, mas também se conecta diretamente com laboratórios úmidos reais.
Quando a IA seleciona moléculas candidatas de alto potencial, elas podem ser enviadas com um clique para laboratórios parceiros para síntese e teste físicos. Os parceiros de laboratório atuais são Twist Bioscience e Ginkgo Bioworks, e a A-Alpha Bio também está prestes a se juntar.
Após o retorno dos resultados dos testes, eles são automaticamente realimentados para o modelo para otimizar os parâmetros de design da próxima rodada. Isso é chamado de ciclo experimental: Design de IA → Verificação em laboratório úmido → Realimentação de resultados → Redesign de IA.
O que o caso do MSK realmente significa
O Memorial Sloan Kettering Cancer Center é uma das principais instituições de pesquisa oncológica dos EUA. Seu caso de teste:
- Inserir dados estruturais de proteínas alvo relacionadas ao câncer infantil
- A IA gera cerca de 300.000 designs de nanocorpos
- Selecionar por indicadores como capacidade de fabricação e estabilidade, escolhendo 100.000 para enviar ao laboratório úmido
- Obter resultados experimentais em algumas semanas
A AWS publicou um white paper científico dedicado para este projeto, documentando todo o processo de design de nanocorpos. No processo tradicional, um ciclo de design-teste-iteração já leva vários meses, e completar todo o ciclo geralmente leva um ano.
Não se trata apenas de computação mais rápida, o cerne é conectar os fluxos de informação entre as duas etapas de design e verificação, eliminando grande parte do atrito de coordenação manual.
Quem está usando
Usuários iniciais conhecidos:
- Bayer: Uma das maiores empresas farmacêuticas do mundo
- Broad Institute: Instituição de pesquisa genômica fundada pelo MIT e Harvard
- Voyager Therapeutics: Especializada em terapia genética para doenças neurológicas
A AWS também divulgou um dado de contexto: 19 das 20 maiores empresas farmacêuticas do mundo já usam os serviços de nuvem da AWS para trabalhos de pesquisa. Desta vez, não se trata de atrair clientes do zero, mas de fazer uma integração mais profunda entre os clientes existentes.
Por que isso não é apenas mais uma ferramenta de IA farmacêutica
A IA no campo da descoberta de medicamentos já está ativa há vários anos, muitas empresas vieram e foram.
O diferencial do Amazon Bio Discovery é: ele não vende apenas modelos ou poder computacional, mas conecta o lado computacional com o lado experimental.
A parte mais lenta do desenvolvimento de medicamentos nunca foi rodar modelos, mas esperar pelos resultados dos testes de laboratório, conectar as informações entre a previsão computacional e a verificação física, e fazer com que um biólogo que não sabe programar entenda como usar ferramentas de IA. Esses três problemas, o Amazon Bio Discovery está abordando diretamente.
Claro, a plataforma acabou de ser lançada, e dados de custo e taxa de sucesso em larga escala ainda precisam de tempo para serem acumulados. O caso do MSK é o melhor começo, mas de projetar mais candidatos a realmente descobrir um medicamento que cure doenças mais rapidamente, ainda há uma distância.
No entanto, a abordagem merece atenção: incorporar agentes de IA no ciclo de operações físicas do laboratório, essa estrutura pode ser copiada diretamente para descoberta de materiais, ciência de alimentos, química agrícola, qualquer área que precise de muitas iterações experimentais pode usar. A AWS escolheu a indústria farmacêutica desta vez porque o mercado é grande o suficiente, a demanda é urgente o suficiente e os clientes já estão lá.
Fonte de referência: AWS Launches Amazon Bio Discovery Agentic AI to Accelerate Drug Development (Genetic Engineering & Biotechnology News), CocoLoop, Amazon launches its AI drug discovery platform (pharmaphorum)