AWS تضيف OpenFold3 إلى SageMaker JumpStart: بنى البروتينات دون عنقود GPU خاص
لتشغيل نموذج للتنبؤ بالبنى ثلاثية الأبعاد للبروتينات، تحتاج إلى وحدات GPU، وحزمة CUDA وPyTorch، وأوزان ثقيلة، وخادم يستقبل طلبات تستغرق دقائق. وقد وضعت AWS نموذج OpenFold3 المفتوح ضمن SageMaker JumpStart، ويمكن نشره في حسابك الخاص ببضعة أسطر من الشيفرة. يوضع الطلب في S3 ويُعالج في طابور لمدة تصل إلى ساعة، وعند الخمول تتقلص نقطة النهاية إلى الصفر. وبالنسبة لفرق التقنية الحيوية، هذه طريقة لحساب البنى دون بنية تحتية خاصة.
معالج بواسطة الذكاء الاصطناعي من AWS Machine Learning Blog؛ بتحرير Hamidun News
أصبح التنبؤ بالبنية المكانية للجزيئات منذ زمن أداة عمل في اكتشاف الأدوية: يستخدمه الباحثون في اختيار الأهداف وتصميم الأجسام المضادة والفحص الافتراضي. لكن تشغيل هذه النماذج ذاتيًا غير مريح. فأنت بحاجة إلى بطاقات رسوميات، وحزمة CUDA وPyTorch تعمل بسلاسة، وملفات أوزان ثقيلة، وخادم لا ينهار حين يستغرق حساب طلب واحد عدة دقائق بدل أجزاء من الثانية. وقد قدمت AWS حلًا جاهزًا: أصبح نموذج OpenFold3-preview المفتوح متاحًا في Amazon SageMaker JumpStart.
ما هذا النموذج وماذا يستطيع
طوّر OpenFold3 اتحاد OpenFold ومختبر AlQuraishi في جامعة كولومبيا. وهو نموذج all-atom: يتنبأ بالبنية ثلاثية الأبعاد المشتركة لمجموعة من الجزيئات انطلاقًا من متسلسلاتها. ولا يقتصر على سلسلة بروتينية واحدة. ففي تمريرة واحدة يمكن طيّ مركّب من عدة بروتينات، أو ارتباط بروتين بـDNA أو RNA، أو بروتين مع جزيء صغير مثل دواء. ويُحدَّد هذا الجزيء الصغير بسلسلة SMILES.
تحصل في المخرجات على بنى بصيغة mmCIF ومقاييس ثقة: pLDDT وPAE وPDE. وافتراضيًا يُخرج النموذج خمسة مرشحين لكل طلب، وفي الملف الملخص قيمة sample_ranking_score التي يُختار بها الأفضل. وبالنسبة للمركّبات، الرقم الأهم هو ipTM، فهو يبيّن مدى موثوقية تموضع السلاسل والربائط بالنسبة لبعضها. وتعني قيم pLDDT التي تزيد على 70 تقريبًا عادةً بنية محلية موثوقة.
الشيفرة والأوزان منشورة بترخيص Apache 2.0، كما نُشرت بيانات التدريب ومنهجياته. ويمكن لشركات الأدوية والباحثين إجراء ضبط دقيق (fine-tuning) للنموذج وبناء منتجاتهم عليه. لكن تنبغي الإشارة إلى أن المؤلفين أنفسهم يصفون OpenFold3-preview بأنه معاينة بحثية، لذلك ينبغي إعادة التحقق من التنبؤات عند اتخاذ قرارات حرجة.
لماذا نقاط نهاية غير متزامنة هنا
تعمل معظم نماذج JumpStart، مثل النماذج اللغوية ونماذج التضمين، على نقاط نهاية real-time يجب أن يعود فيها الرد ضمن طلب واحد، والحد الأقصى 60 ثانية. وهذا لا يكفي للطيّ البنيوي: فالزمن يزداد مع عدد السلاسل وطولها، وكثيرًا ما تُحسب المركّبات الحقيقية في دقائق.
لذلك يعمل OpenFold3 عبر SageMaker Asynchronous Inference. والمخطط كالتالي: تضع طلب JSON في S3 وتستدعي InvokeEndpointAsync الذي يعود فورًا. تضع نقطة النهاية المهمة في طابور وتعالجها، وقد تصل مهلة الانتظار إلى ساعة. تظهر النتيجة أو وصف الخطأ في المكان الذي اخترته في S3، ويمكن معرفة الجاهزية بالاستعلام الدوري أو عبر Amazon SNS. والطلب الخاطئ، كأن تكون فيه سلسلة غير صحيحة، ينشئ مع ذلك كائن نتيجة، لكن بحالة error.
وتتميز هذه المنظومة بخاصيتين مفيدتين للعلم. فالطابور الذي يمتص الذروات مدمج فيها، ويمكن إرسال دفعة كبيرة من المتسلسلات دون نظام مهام خاص. وإضافة إلى ذلك، يمكن لنقطة النهاية أن تتقلص إلى صفر نسخ حين لا يوجد عمل، فلا تدفع مقابل الخمول بين التجارب. وهذا مهم لأن SageMaker تحاسب على ساعات النسخ (instance-hours)، بما فيها ساعات الخمول.
العتاد والتوازي والخصوصية
تُدعم ثلاثة أنواع من النسخ: ml.g6.2xlarge وml.g6.4xlarge (الافتراضي) وml.g6.12xlarge. يشغل التنبؤ الواحد وحدة GPU واحدة، لذلك لا يسرّع الجهاز متعدد البطاقات الحساب الواحد. لكن على ml.g6.12xlarge بأربع بطاقات رسوميات يمكن حساب أربعة طلبات في آن واحد إذا ضُبط max_concurrent_invocations_per_instance=4. وبحسب قياسات AWS، فإن تكلفة التنبؤ الواحد للبروتينات الكبيرة على ml.g6.12xlarge قريبة من تكلفته على ml.g6.4xlarge، مع أن النتيجة النهائية تتوقف على المدخلات والمنطقة.
والاختيار العملي كالتالي: للتجارب المنفردة يكفي 2xlarge أو 4xlarge، وللفريق الذي يرسل دفعات من الطلبات يناسب 12xlarge، وللفحص عالي الإنتاجية يُجمع 12xlarge مع التحجيم التلقائي. وإذا لم تكن طاقة G6 كافية في المنطقة، يمكن التوسع عبر عدة نسخ 4xlarge.
وفي ما يخص الخصوصية، تقترح AWS عدة تدابير. تعمل نقطة النهاية بعزل شبكي، وتُخزَّن الطلبات والنتائج في S3، لذلك يُنصح للمتسلسلات الملكية بحاوية (bucket) منفصلة مشفّرة بمفتاح KMS خاص، وسياسة وصول صارمة، وقاعدة دورة حياة لحذف الملفات غير الضرورية. ويمكن أيضًا تمرير محاذاة المتسلسلات المتعددة (MSA) الخاصة بك: فهي ترفع الدقة، خصوصًا للمركّبات، ولا تخرج إلى الخارج.
ماذا يعني هذا للفرق
بالنسبة لشركات التقنية الحيوية الناشئة والمجموعات البحثية الصغيرة، الأهم هنا أن عتبة الدخول تنخفض. فبدل أسابيع من إعداد البنية التحتية، يكفي حساب AWS وحصة (quota) لنسخة g6 ودفتر ملاحظات نموذجي من بطاقة النموذج. وللحلّ قيوده أيضًا: النموذج لا يزال معاينة، وطاقة G6 قد تكون شحيحة، وبعض الحسابات تتطلب تحضير MSA. وقبل التشغيل، تحقق من الحصص، واضبط الصلاحيات وفق مبدأ الحد الأدنى من الامتيازات، ولا تنسَ حذف نقاط النهاية أو تفعيل التقلص إلى الصفر.
- 21 نوفمبر 2026إف بي آي: أداة الذكاء الاصطناعي ARTEX تخترق الشبكات في أقل من ثلاث ساعات
- 21 نوفمبر 2026AG-UI 1.0 يمنح وكلاء الذكاء الاصطناعي لغة موحدة للتواصل مع التطبيق: 31 نوعًا من الأحداث
- 21 نوفمبر 2026OpenAI تطلق ChatGPT Wallet: وكلاء الذكاء الاصطناعي يشترون دون أن يروا رقم البطاقة
- 21 نوفمبر 2026الولايات المتحدة أنفقت 70.7 مليون دولار على إعلانات ChatGPT في أكتوبر — بزيادة 127% عن أبريل
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما هذا النموذج وماذا يستطيع؟
طوّر OpenFold3 اتحاد OpenFold ومختبر AlQuraishi في جامعة كولومبيا. وهو نموذج all-atom: يتنبأ بالبنية ثلاثية الأبعاد المشتركة لمجموعة من الجزيئات انطلاقًا من متسلسلاتها. ولا يقتصر على سلسلة بروتينية واحدة. ففي تمريرة واحدة يمكن طيّ مركّب من عدة بروتينات، أو ارتباط بروتين بـDNA أو RNA، أو بروتين مع جزيء صغير مثل دواء. ويُحدَّد هذا الجزيء الصغير بسلسلة SMILES. تحصل في المخرجات على بنى بصيغة mmCIF ومقاييس ثقة: pLDDT وPAE وPDE.
ما أبرز التفاصيل حول لماذا نقاط نهاية غير متزامنة هنا؟
تعمل معظم نماذج JumpStart، مثل النماذج اللغوية ونماذج التضمين، على نقاط نهاية real-time يجب أن يعود فيها الرد ضمن طلب واحد، والحد الأقصى 60 ثانية. وهذا لا يكفي للطيّ البنيوي: فالزمن يزداد مع عدد السلاسل وطولها، وكثيرًا ما تُحسب المركّبات الحقيقية في دقائق. لذلك يعمل OpenFold3 عبر SageMaker Asynchronous Inference. والمخطط كالتالي: تضع طلب JSON في S3 وتستدعي InvokeEndpointAsync الذي يعود فورًا. تضع نقطة النهاية المهمة في طابور وتعالجها، وقد تصل مهلة الانتظار إلى ساعة.
ما أبرز التفاصيل حول العتاد والتوازي والخصوصية؟
تُدعم ثلاثة أنواع من النسخ: ml.g6.2xlarge وml.g6.4xlarge (الافتراضي) وml.g6.12xlarge. يشغل التنبؤ الواحد وحدة GPU واحدة، لذلك لا يسرّع الجهاز متعدد البطاقات الحساب الواحد. لكن على ml.g6.12xlarge بأربع بطاقات رسوميات يمكن حساب أربعة طلبات في آن واحد إذا ضُبط max_concurrent_invocations_per_instance=4. وبحسب قياسات AWS، فإن تكلفة التنبؤ الواحد للبروتينات الكبيرة على ml.g6.12xlarge قريبة من تكلفته على ml.g6.4xlarge، مع أن النتيجة النهائية تتوقف على المدخلات والمنطقة.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.