AWS añade OpenFold3 a SageMaker JumpStart: estructuras de proteínas sin clúster de GPU propio
Para ejecutar un modelo de predicción de estructuras 3D de proteínas se necesitan GPU, una combinación de CUDA y PyTorch, pesos muy pesados y un servidor que atienda peticiones de varios minutos. AWS ha empaquetado la OpenFold3 abierta en SageMaker JumpStart, y se puede desplegar en tu cuenta con unas pocas líneas de código. La petición se deposita en S3, se procesa en una cola de hasta una hora y, cuando no hay actividad, el endpoint se reduce a cero. Para los equipos de biotecnología, es una forma de calcular estructuras sin montar su propia infraestructura.
Procesado por IA desde AWS Machine Learning Blog; editado por Hamidun News
Predecir la estructura espacial de las moléculas se ha convertido hace tiempo en una herramienta de trabajo en el descubrimiento de fármacos: se usa para elegir dianas, diseñar anticuerpos y hacer cribado virtual. Pero ejecutar estos modelos por cuenta propia resulta incómodo. Hacen falta tarjetas gráficas, una combinación de CUDA y PyTorch que funcione, archivos de pesos muy pesados y un servidor que no se caiga si una petición tarda varios minutos y no milisegundos. AWS ha propuesto una solución lista para usar: el modelo abierto OpenFold3-preview ya está disponible en Amazon SageMaker JumpStart.
Qué es el modelo y qué sabe hacer
OpenFold3 ha sido desarrollado por el consorcio OpenFold y el laboratorio de AlQuraishi de la Universidad de Columbia. Es un modelo all-atom: predice la estructura 3D conjunta de un conjunto de moléculas a partir de sus secuencias. No se limita a una sola cadena de proteína. En una sola pasada se puede ensamblar un complejo de varias proteínas, una unión de proteína con ADN o ARN, o una proteína con una molécula pequeña, por ejemplo un fármaco. Esa molécula se define mediante una cadena SMILES.
El resultado son estructuras en formato mmCIF y métricas de confianza: pLDDT, PAE y PDE. Por defecto, el modelo devuelve cinco candidatos por petición, y en el archivo de resumen aparece sample_ranking_score, con el que se elige el mejor. En los complejos, la cifra clave es ipTM, que indica con qué fiabilidad las cadenas y los ligandos están colocados unos respecto a otros. Los valores de pLDDT por encima de aproximadamente 70 suelen indicar una estructura local fiable.
El código y los pesos se publican bajo licencia Apache 2.0, y también se han abierto los datos y los métodos de entrenamiento. Las farmacéuticas y los investigadores pueden ajustar el modelo y construir sobre él sus propios productos. Una salvedad: los propios autores califican OpenFold3-preview de versión preliminar de investigación, así que para decisiones críticas conviene verificar las predicciones.
Por qué endpoints asíncronos
La mayoría de los modelos de JumpStart, como los de lenguaje y los de embeddings, funcionan en endpoints en tiempo real, donde la respuesta debe devolverse en una sola petición y el límite es de 60 segundos. Para el plegamiento esto se queda corto: el tiempo crece con el número y la longitud de las cadenas, y los complejos reales suelen calcularse en minutos.
Por eso OpenFold3 funciona mediante SageMaker Asynchronous Inference. El esquema es el siguiente: depositas una petición en JSON en S3 y llamas a InvokeEndpointAsync, que responde de inmediato. El endpoint pone la tarea en cola y la procesa, con un tiempo de espera que puede llegar a una hora. El resultado o la descripción del error aparece en el lugar de S3 que hayas elegido, y puedes saber si está listo mediante sondeo o a través de Amazon SNS. Una petición incorrecta, por ejemplo con una cadena mal formada, genera igualmente un objeto de resultado, pero con estado error.
Este esquema tiene dos ventajas para la ciencia. La cola para gestionar picos está integrada, así que puedes enviar un lote grande de secuencias sin necesidad de un sistema de tareas propio. Además, el endpoint puede reducirse a cero instancias cuando no hay trabajo, y no pagas por el tiempo de inactividad entre experimentos. Esto es importante, porque SageMaker factura por horas de instancia, incluidas las que están paradas.
Hardware, paralelismo y privacidad
Se admiten tres tipos de instancia: ml.g6.2xlarge, ml.g6.4xlarge (por defecto) y ml.g6.12xlarge. Una predicción ocupa una GPU, así que una máquina con varias tarjetas no acelera un cálculo individual. Sin embargo, en una ml.g6.12xlarge con cuatro tarjetas gráficas se pueden calcular cuatro peticiones simultáneamente, configurando max_concurrent_invocations_per_instance=4. Según las mediciones de AWS, para proteínas grandes el coste de una predicción en ml.g6.12xlarge es cercano al de ml.g6.4xlarge, aunque el resultado final depende de los datos de entrada y de la región.
La elección práctica es la siguiente: para experimentos individuales bastan 2xlarge o 4xlarge; para un equipo con lotes de peticiones, conviene 12xlarge; y para el cribado de alto rendimiento se combina con autoescalado. Si en la región no hay suficiente capacidad de G6, se puede escalar con varias instancias 4xlarge.
En cuanto a privacidad, AWS ofrece varias medidas. El endpoint funciona con aislamiento de red, y las peticiones y los resultados se almacenan en S3, por lo que para secuencias propietarias se recomienda un bucket dedicado con cifrado mediante una clave KMS propia, una política de acceso estricta y una regla de ciclo de vida que elimine los archivos innecesarios. También se pueden aportar alineamientos múltiples de secuencias (MSA) propios: mejoran la precisión, sobre todo en los complejos, y no salen al exterior.
Qué significa para los equipos
Para las startups de biotecnología y los grupos de investigación pequeños, lo más importante es que la barrera de entrada baja. En lugar de semanas configurando infraestructura, basta con una cuenta de AWS, una cuota para instancias g6 y un cuaderno de ejemplo de la ficha del modelo. También hay limitaciones: el modelo sigue siendo una versión preliminar, la capacidad de G6 puede escasear y parte de los cálculos requiere preparar MSA. Antes de lanzarlo, revisa las cuotas, configura los permisos según el principio de mínimo privilegio y no olvides eliminar los endpoints o activar el escalado a cero.
- 21 nov 2026AG-UI 1.0 le da a los agentes de IA un lenguaje común para comunicarse con la aplicación: 31 tipos de eventos
- 21 nov 2026OpenAI lanza ChatGPT Wallet: los agentes compran sin ver el número de la tarjeta
- 21 nov 2026Los anunciantes estadounidenses gastaron 70,7 millones de dólares en publicidad en ChatGPT en octubre, un 127 % más que en abril
- 21 nov 2026ONNX Runtime desaparece de GitHub: Microsoft oculta los repositorios tras el ataque a un paquete
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué es el modelo y qué sabe hacer?
OpenFold3 ha sido desarrollado por el consorcio OpenFold y el laboratorio de AlQuraishi de la Universidad de Columbia. Es un modelo all-atom: predice la estructura 3D conjunta de un conjunto de moléculas a partir de sus secuencias. No se limita a una sola cadena de proteína. En una sola pasada se puede ensamblar un complejo de varias proteínas, una unión de proteína con ADN o ARN, o una proteína con una molécula pequeña, por ejemplo un fármaco. Esa molécula se define mediante una cadena SMILES.
¿Qué se sabe sobre Por qué endpoints asíncronos?
La mayoría de los modelos de JumpStart, como los de lenguaje y los de embeddings, funcionan en endpoints en tiempo real, donde la respuesta debe devolverse en una sola petición y el límite es de 60 segundos. Para el plegamiento esto se queda corto: el tiempo crece con el número y la longitud de las cadenas, y los complejos reales suelen calcularse en minutos. Por eso OpenFold3 funciona mediante SageMaker Asynchronous Inference.
¿Qué se sabe sobre Hardware, paralelismo y privacidad?
Se admiten tres tipos de instancia: ml.g6.2xlarge, ml.g6.4xlarge (por defecto) y ml.g6.12xlarge. Una predicción ocupa una GPU, así que una máquina con varias tarjetas no acelera un cálculo individual. Sin embargo, en una ml.g6.12xlarge con cuatro tarjetas gráficas se pueden calcular cuatro peticiones simultáneamente, configurando max_concurrent_invocations_per_instance=4.
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.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.