Amazon đã công bố một nền tảng mới tại hội thảo AWS Life Sciences vào giữa tháng 4: Amazon Bio Discovery.
Trung tâm Ung thư Memorial Sloan Kettering (MSK) là một trong những người dùng thử nghiệm đầu tiên. Họ đã thực hiện một việc rất tiêu biểu: thiết kế gần 300.000 ứng viên kháng thể nano nhắm vào các mục tiêu ung thư ở trẻ em trong vài tuần, và gửi 100.000 ứng viên tốt nhất trực tiếp đến phòng thí nghiệm ướt để tổng hợp và thử nghiệm.
Quy trình này, trong điều kiện bình thường, sẽ mất một năm.
Nền tảng này hoạt động như thế nào
Amazon Bio Discovery kết hợp ba yếu tố:
Một, Thư viện mô hình nền tảng sinh học
Nền tảng tích hợp hơn 40 mô hình nền tảng được đào tạo chuyên biệt trên dữ liệu sinh học, bao gồm các lĩnh vực như dự đoán cấu trúc protein, thiết kế kháng thể, tạo phân tử thuốc. Các tổ chức cung cấp mô hình bao gồm Apheris và Boltz, Biohub và Profluent dự kiến cũng sẽ tham gia.
Khác với các mô hình ngôn ngữ lớn thông thường, các mô hình này được đào tạo chuyên biệt trên dữ liệu thí nghiệm sinh học, có hiểu biết sâu sắc về mối quan hệ cấu trúc-chức năng của phân tử. Người dùng cũng có thể sử dụng dữ liệu thí nghiệm tích lũy của tổ chức mình để tinh chỉnh mô hình mà không cần xây dựng đường ống đào tạo riêng.
Hai, Giao diện AI agent
Đây là yếu tố then chốt giúp những người không phải chuyên gia tính toán có thể sử dụng. Chỉ cần nói bằng ngôn ngữ tự nhiên những gì cần làm — ví dụ, tìm kháng thể nano có thể liên kết với protein mục tiêu này — AI agent sẽ tự động chọn mô hình phù hợp, thiết kế quy trình thí nghiệm và giải thích kết quả tính toán. Toàn bộ quá trình không cần viết mã.
Theo lãnh đạo AWS Rajiv Chopra, AI agent giúp khả năng khoa học mạnh mẽ không còn chỉ dành cho các nhà nghiên cứu hiểu về tính toán.
Ba, Giao diện phòng thí nghiệm (Lab-in-the-loop)
Đây là điểm thực sự đặc biệt của Amazon Bio Discovery. Nền tảng không chỉ thực hiện tính toán mà còn kết nối trực tiếp với phòng thí nghiệm ướt thực tế.
Khi AI sàng lọc ra các phân tử ứng viên tiềm năng cao, có thể gửi một cú nhấp chuột đến phòng thí nghiệm đối tác để tổng hợp và thử nghiệm vật lý. Các đối tác phòng thí nghiệm hiện tại là Twist Bioscience và Ginkgo Bioworks, A-Alpha Bio cũng sắp tham gia.
Sau khi kết quả thử nghiệm được trả về, chúng sẽ tự động phản hồi cho mô hình để tối ưu hóa các tham số thiết kế cho vòng tiếp theo. Đây được gọi là vòng lặp thí nghiệm: AI thiết kế → Phòng thí nghiệm ướt xác nhận → Phản hồi kết quả → AI thiết kế lại.
Trường hợp của MSK thực sự có ý nghĩa gì
Trung tâm Ung thư Memorial Sloan Kettering là một trong những tổ chức nghiên cứu ung thư hàng đầu của Mỹ. Trường hợp thử nghiệm của họ:
- Nhập dữ liệu cấu trúc của protein mục tiêu liên quan đến ung thư ở trẻ em
- AI tạo ra khoảng 300.000 thiết kế kháng thể nano
- Sàng lọc theo các chỉ số như khả năng sản xuất, độ ổn định, chọn ra 100.000 để gửi đến phòng thí nghiệm ướt
- Nhận kết quả thí nghiệm trong vài tuần
AWS đã công bố một sách trắng khoa học riêng cho dự án này, ghi lại toàn bộ quy trình thiết kế kháng thể nano. Trong quy trình truyền thống, một vòng thiết kế-thử nghiệm-lặp lại đã mất vài tháng, và hoàn thành toàn bộ chu kỳ thường mất một năm.
Đây không chỉ là vấn đề tính toán nhanh hơn, cốt lõi là kết nối luồng thông tin giữa hai giai đoạn thiết kế và xác nhận, loại bỏ phần lớn ma sát phối hợp thủ công.
Ai đang sử dụng
Các người dùng ban đầu đã biết:
- Bayer: Một trong những công ty dược phẩm lớn nhất thế giới
- Viện Broad: Viện nghiên cứu gen do MIT và Harvard thành lập
- Voyager Therapeutics: Chuyên về liệu pháp gen cho bệnh thần kinh
AWS cũng tiết lộ một dữ liệu nền: 19 trong số 20 công ty dược phẩm hàng đầu thế giới đã sử dụng dịch vụ đám mây của AWS cho công việc nghiên cứu. Lần này không phải là thu hút khách hàng mới từ đầu, mà là tích hợp sâu hơn trong số khách hàng hiện có.
Tại sao vấn đề này không chỉ là một công cụ AI dược phẩm khác
AI trong lĩnh vực phát hiện thuốc đã hoạt động vài năm, nhiều công ty đến rồi đi.
Điểm khác biệt của Amazon Bio Discovery là: nó không chỉ bán mô hình hoặc sức mạnh tính toán, mà là kết nối phía tính toán và phía thí nghiệm.
Phần chậm nhất trong nghiên cứu và phát triển thuốc không bao giờ là chạy mô hình, mà là chờ kết quả thử nghiệm phòng thí nghiệm, là kết nối thông tin giữa dự đoán tính toán và xác nhận vật lý, là giúp một nhà sinh học không biết lập trình hiểu cách sử dụng công cụ AI. Ba vấn đề này, Amazon Bio Discovery đều đang giải quyết trực tiếp.
Tất nhiên, nền tảng mới ra mắt, dữ liệu về chi phí và tỷ lệ thành công quy mô lớn vẫn cần thời gian tích lũy. Trường hợp của MSK là khởi đầu tốt nhất, nhưng từ việc thiết kế nhiều ứng viên hơn đến thực sự tìm ra thuốc chữa bệnh nhanh hơn, vẫn còn một khoảng cách.
Tuy nhiên, hướng đi đáng chú ý: nhúng AI agent vào vòng lặp thao tác vật lý của phòng thí nghiệm, khuôn khổ này có thể sao chép trực tiếp vào khám phá vật liệu, khoa học thực phẩm, hóa học nông nghiệp, bất kỳ lĩnh vực nào cần nhiều lần lặp thí nghiệm đều có thể sử dụng. AWS lần này chọn dược phẩm, vì thị trường đủ lớn, nhu cầu đủ cấp bách và khách hàng đã sẵn sàng.
Nguồn tham khảo: AWS Launches Amazon Bio Discovery Agentic AI to Accelerate Drug Development (Genetic Engineering & Biotechnology News), CocoLoop, Amazon launches its AI drug discovery platform (pharmaphorum)