AWS explica cómo desplegar OpenFold3 en SageMaker JumpStart para predecir estructuras biomoleculares
Hecho Qué ha ocurrido
AWS publica una guía para desplegar OpenFold3-preview, un modelo de código abierto de predicción de estructuras biomoleculares, en un endpoint asíncrono de Amazon SageMaker JumpStart dentro de la cuenta del cliente. El modelo predice estructuras 3D de proteínas, ADN, ARN y complejos con ligandos, y el artículo describe inferencia asíncrona, paralelismo multi-GPU, uso de alineamientos de secuencias propios y escalado a cero. Los desarrolladores describen OpenFold3-preview como una versión de investigación.
Resumen generado mediante IA a partir de AWS Machine Learning Blog (original en inglés). Naturaleza de la información: declaración de parte interesada.
Análisis Por qué importa
Para equipos de descubrimiento de fármacos, la predicción estructural es ya una parte central del trabajo, y desplegarla en la propia cuenta cloud reduce la exposición de secuencias propias.
- Quién se ve afectado
- Empresas farmacéuticas, biotecnológicas y centros de investigación con equipos de diseño de proteínas o cribado virtual.
- Qué puede cambiar
- Montar este tipo de modelos pasa de requerir infraestructura GPU y pila de software propia a un despliegue gestionado de pocas líneas de código, según describe AWS.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Qué adopción real tiene el servicio entre laboratorios, cómo evolucionan los costes de las instancias GPU y si la versión preview llega a una release estable.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: AWS Machine Learning Blog (fuente primaria). La referencia es siempre el artículo original.
Ver fuente original ↗modelos de predicción estructuralinferencia asíncronaGPU Amazon Web ServicesOpenFold ConsortiumAlQuraishi Lab AWS biología estructural código abierto OpenFold3 SageMaker JumpStart
Relacionadas
AlphaFold revoluciona la predicción de estructuras proteicas: de experimentos a simulaciones
El artículo analiza el impacto de AlphaFold, desarrollado por Google DeepMind, que predice estructuras 3D de proteínas a partir de su secuencia sin…
Por qué importaPara directivos en farmacéutica, biotecnología y química, AlphaFold acelera descubrimiento de fármacos al eliminar ciclos costosos de prueba y error…
AlphaFold de DeepMind predice estructura 3D de proteínas desde secuencia genética
Google DeepMind publica en Nature un estudio donde presenta AlphaFold, un sistema de IA que predice la estructura tridimensional de proteínas basándose…
Por qué importaResolver el problema del plegamiento de proteínas es fundamental para acelerar el descubrimiento científico y el desarrollo de fármacos. Hasta ahora…
AlphaFold genera predicción precisa de moléculas más allá de proteínas
Google DeepMind ha presentado la próxima generación de AlphaFold, que expande su capacidad más allá de predicciones de proteínas para incluir ligandos, ácidos…
Por qué importaEsta expansión acelera dramáticamente el descubrimiento de fármacos y la ingeniería proteica al permitir predicciones precisas de interacciones…
Consorcio farmacéutico mejora modelos de plegado de proteínas con datos privados de 20.000 estructuras
Un consorcio de empresas farmacéuticas (AISB Network, con AbbVie y Astex entre otras) entrenó OpenFold3 con más de 20.000 estructuras proteína-fármaco…
Por qué importaMuestra que el cuello de botella de datos que limita a AlphaFold y modelos similares en aplicaciones de descubrimiento de fármacos puede superarse…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.