AWS ajoute OpenFold3 à SageMaker JumpStart : prédire la structure des protéines sans cluster GPU maison
Faire tourner un modèle de prédiction de structures 3D de protéines demande des GPU, une pile CUDA et PyTorch, des poids très lourds et un serveur capable de traiter des requêtes pendant plusieurs minutes. AWS a intégré le modèle open source OpenFold3 à SageMaker JumpStart : il se déploie dans votre compte en quelques lignes de code. La requête est déposée dans S3, traitée dans une file d'attente pendant une heure au maximum, et l'endpoint se réduit à zéro instance lorsqu'il est inactif. Pour les équipes de biotech, c'est un moyen de calculer des structures sans infrastructure dédiée.
Traité par IA depuis AWS Machine Learning Blog ; édité par Hamidun News
La prédiction de la structure spatiale des molécules est depuis longtemps un outil de travail pour la recherche de médicaments : elle sert au choix des cibles, à la conception d'anticorps et au criblage virtuel. Mais exécuter soi-même ces modèles reste contraignant. Il faut des cartes graphiques, une pile CUDA et PyTorch opérationnelle, des fichiers de poids volumineux, et un serveur qui ne tombe pas lorsqu'un calcul dure plusieurs minutes plutôt que quelques millisecondes. AWS propose une solution clé en main : le modèle open source OpenFold3-preview est désormais disponible dans Amazon SageMaker JumpStart.
Quel est ce modèle et que sait-il faire
OpenFold3 a été développé par le consortium OpenFold et le laboratoire AlQuraishi de l'université Columbia. C'est un modèle all-atom : il prédit la structure 3D conjointe d'un ensemble de molécules à partir de leurs séquences. Il n'est pas limité à une seule chaîne protéique. En un seul passage, on peut modéliser un complexe de plusieurs protéines, une association protéine-ADN ou protéine-ARN, ou encore une protéine avec une petite molécule, par exemple un médicament. Cette molécule est décrite par une chaîne SMILES.
En sortie, on obtient les structures au format mmCIF ainsi que des métriques de confiance : pLDDT, PAE et PDE. Par défaut, le modèle fournit cinq candidats par requête, et le fichier de synthèse contient un sample_ranking_score qui permet de choisir le meilleur. Pour les complexes, le chiffre clé est l'ipTM, qui indique à quel point les chaînes et les ligands sont fiablement positionnés les uns par rapport aux autres. Des valeurs de pLDDT supérieures à environ 70 correspondent en général à une structure locale fiable.
Le code et les poids sont publiés sous licence Apache 2.0, et les données ainsi que les méthodes d'entraînement sont également rendues publiques. Laboratoires pharmaceutiques et chercheurs peuvent affiner le modèle et bâtir leurs propres produits dessus. Réserve importante : les auteurs eux-mêmes qualifient OpenFold3-preview de version préliminaire destinée à la recherche, si bien qu'il faut revérifier les prédictions avant de prendre des décisions critiques.
Pourquoi des endpoints asynchrones
La plupart des modèles de JumpStart, notamment les modèles de langage et d'embeddings, fonctionnent sur des endpoints temps réel, où la réponse doit revenir en une seule requête, avec une limite de 60 secondes. Pour le repliement des protéines, cela ne suffit pas : le temps de calcul croît avec le nombre et la longueur des chaînes, et les complexes réels se calculent souvent en minutes.
C'est pourquoi OpenFold3 passe par SageMaker Asynchronous Inference. Le fonctionnement est le suivant : vous déposez une requête JSON dans S3 et appelez InvokeEndpointAsync, qui répond immédiatement. L'endpoint place la tâche en file d'attente et la traite, avec un délai pouvant atteindre une heure. Le résultat, ou la description d'une erreur, apparaît à l'emplacement S3 que vous avez choisi, et vous pouvez être averti de la disponibilité par interrogation ou via Amazon SNS. Une requête erronée, par exemple avec une chaîne incorrecte, produit tout de même un objet de résultat, dont le statut est error.
Cette architecture présente deux atouts pour la recherche. La file d'attente absorbe les pics de charge, de sorte qu'un lot important de séquences peut être soumis sans système de gestion de tâches propre. Par ailleurs, l'endpoint peut descendre à zéro instance lorsqu'il n'y a aucun travail, et vous ne payez pas les temps morts entre deux expériences. C'est appréciable, car SageMaker facture les heures d'instance, y compris lorsqu'elles sont inactives.
Matériel, parallélisme et confidentialité
Trois types d'instances sont pris en charge : ml.g6.2xlarge, ml.g6.4xlarge (par défaut) et ml.g6.12xlarge. Une prédiction occupe un seul GPU, donc une machine à plusieurs cartes n'accélère pas un calcul isolé. En revanche, sur ml.g6.12xlarge, dotée de quatre cartes, on peut traiter quatre requêtes simultanément en fixant max_concurrent_invocations_per_instance=4. D'après les mesures d'AWS, pour les grosses protéines, le coût d'une prédiction sur ml.g6.12xlarge est proche de celui sur ml.g6.4xlarge, même si le résultat dépend des données d'entrée et de la région.
Le choix pratique est le suivant : pour des expériences isolées, 2xlarge ou 4xlarge suffisent ; pour une équipe qui envoie des lots de requêtes, 12xlarge convient ; pour un criblage à haut débit, on combine cette dernière avec la mise à l'échelle automatique. Si la capacité G6 fait défaut dans une région, on peut répartir la charge sur plusieurs 4xlarge.
Sur le plan de la confidentialité, AWS propose plusieurs mesures. L'endpoint fonctionne avec une isolation réseau, et les requêtes comme les résultats sont stockés dans S3. Pour des séquences propriétaires, il est recommandé d'utiliser un bucket dédié chiffré avec votre propre clé KMS, une politique d'accès stricte et une règle de cycle de vie qui supprime les fichiers inutiles. Il est aussi possible de fournir vos propres alignements multiples de séquences (MSA) : ils améliorent la précision, en particulier pour les complexes, et ne sortent pas de votre environnement.
Ce que cela change pour les équipes
Pour les start-up de biotech et les petits groupes de recherche, l'enjeu principal est l'abaissement du seuil d'entrée. Au lieu de plusieurs semaines de configuration d'infrastructure, il suffit d'un compte AWS, d'un quota pour les instances g6 et de l'ordinateur portable type décrit dans la fiche du modèle. Il existe toutefois des limites : le modèle reste en version préliminaire, la capacité G6 peut être rare, et certains calculs nécessitent la préparation de MSA. Avant de lancer, vérifiez vos quotas, configurez les droits selon le principe du moindre privilège, et pensez à supprimer les endpoints ou à activer la mise à l'échelle jusqu'à zéro.
- 21 nov. 2026AG-UI 1.0 donne aux agents IA un langage commun pour dialoguer avec l'application : 31 types d'événements
- 21 nov. 2026OpenAI lance ChatGPT Wallet : des agents qui achètent sans jamais voir le numéro de carte
- 21 nov. 2026Les annonceurs américains ont dépensé 70,7 M$ en publicité sur ChatGPT en octobre, soit 127 % de plus qu'en avril
- 21 nov. 2026ONNX Runtime disparu de GitHub : Microsoft a masqué les dépôts après le piratage d'un paquet
Questions clés sur cet article
Que sait-on sur Quel est ce modèle et que sait-il faire ?
OpenFold3 a été développé par le consortium OpenFold et le laboratoire AlQuraishi de l'université Columbia. C'est un modèle all-atom : il prédit la structure 3D conjointe d'un ensemble de molécules à partir de leurs séquences. Il n'est pas limité à une seule chaîne protéique. En un seul passage, on peut modéliser un complexe de plusieurs protéines, une association protéine-ADN ou protéine-ARN, ou encore une protéine avec une petite molécule, par exemple un médicament.
Pourquoi des endpoints asynchrones?
La plupart des modèles de JumpStart, notamment les modèles de langage et d'embeddings, fonctionnent sur des endpoints temps réel, où la réponse doit revenir en une seule requête, avec une limite de 60 secondes. Pour le repliement des protéines, cela ne suffit pas : le temps de calcul croît avec le nombre et la longueur des chaînes, et les complexes réels se calculent souvent en minutes. C'est pourquoi OpenFold3 passe par SageMaker Asynchronous Inference.
Que sait-on sur Matériel, parallélisme et confidentialité ?
Trois types d'instances sont pris en charge : ml.g6.2xlarge, ml.g6.4xlarge (par défaut) et ml.g6.12xlarge. Une prédiction occupe un seul GPU, donc une machine à plusieurs cartes n'accélère pas un calcul isolé. En revanche, sur ml.g6.12xlarge, dotée de quatre cartes, on peut traiter quatre requêtes simultanément en fixant 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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.