Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
InfraestruturaAPI / Produto · Pronto p/ usoAWS Machine Learning Blog→ original

AWS adiciona OpenFold3 ao SageMaker JumpStart: estruturas de proteínas sem cluster de GPU próprio

Para rodar um modelo de previsão de estruturas 3D de proteínas, é preciso ter GPUs, uma combinação de CUDA e PyTorch, pesos pesados e um servidor para requisições que levam minutos. A AWS empacotou o OpenFold3, modelo aberto, no SageMaker JumpStart, e ele pode ser implantado na sua conta com algumas linhas de código. A requisição é colocada no S3, processada em fila por até uma hora, e, quando há ociosidade, o endpoint é reduzido a zero instâncias. Para equipes de biotecnologia, é uma forma de calcular estruturas sem infraestrutura própria.

Processado por IA de AWS Machine Learning Blog; editado por Hamidun News
AWS adiciona OpenFold3 ao SageMaker JumpStart: estruturas de proteínas sem cluster de GPU próprio
Fonte: AWS Machine Learning Blog. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalAWS Machine Learning Blog ↗
Editor-chefe
Dado-chave #1Licença Apache 2.0, mas o modelo ainda está no status de research preview
Três tipos de máquinaml.g6.2xlarge, 4xlarge e 12xlarge, com quatro GPUs
Dado-chave #3Por padrão, cada requisição retorna cinco variantes de estrutura com pontuação

A previsão da estrutura espacial de moléculas virou uma ferramenta de trabalho na busca por medicamentos: ela é usada na escolha de alvos, no desenho de anticorpos e na triagem virtual. Mas executar esses modelos por conta própria é trabalhoso. É preciso ter placas de vídeo, uma combinação funcional de CUDA e PyTorch, arquivos de pesos pesados e um servidor que não caia quando uma requisição leva vários minutos, e não milissegundos. A AWS ofereceu uma solução pronta: o modelo aberto OpenFold3-preview agora está disponível no Amazon SageMaker JumpStart.

O que é o modelo e o que ele faz

O OpenFold3 foi desenvolvido pelo consórcio OpenFold e pelo laboratório de AlQuraishi, na Universidade Columbia. Trata-se de um modelo all-atom: ele prevê a estrutura 3D conjunta de um conjunto de moléculas a partir de suas sequências. Ele não se limita a uma única cadeia de proteína. Em uma só passagem, é possível montar um complexo de várias proteínas, uma associação de proteína com DNA ou RNA, ou uma proteína com uma molécula pequena, como um medicamento. Essa molécula é descrita por uma string SMILES.

Na saída, você recebe as estruturas no formato mmCIF e métricas de confiança: pLDDT, PAE e PDE. Por padrão, o modelo gera cinco candidatos por requisição, e o arquivo de resumo traz o sample_ranking_score, usado para escolher o melhor. Em complexos, o número principal é o ipTM, que indica com que confiabilidade as cadeias e os ligantes estão posicionados uns em relação aos outros. Valores de pLDDT acima de aproximadamente 70 costumam indicar uma estrutura local confiável.

O código e os pesos são publicados sob Apache 2.0, e os dados e métodos de treinamento também foram divulgados. Farmacêuticas e pesquisadores podem ajustar o modelo e criar produtos sobre ele. Uma ressalva: os próprios autores descrevem o OpenFold3-preview como uma versão de pré-visualização para pesquisa, por isso as previsões devem ser revalidadas em decisões críticas.

Por que endpoints assíncronos

A maioria dos modelos do JumpStart, como os de linguagem e de embeddings, roda em endpoints em tempo real, nos quais a resposta precisa voltar em uma única requisição, com limite de 60 segundos. Para o dobramento de proteínas, isso não basta: o tempo cresce com o número e o tamanho das cadeias, e complexos reais costumam levar minutos para serem calculados.

Por isso, o OpenFold3 funciona com o SageMaker Asynchronous Inference. O fluxo é este: você coloca a requisição em JSON no S3 e chama o InvokeEndpointAsync, que retorna imediatamente. O endpoint coloca a tarefa na fila e a processa, com timeout de até uma hora. O resultado, ou a descrição de um erro, aparece no local do S3 que você escolheu, e o aviso de conclusão pode ser obtido por consulta periódica ou pelo Amazon SNS. Uma requisição com erro, como uma cadeia inválida, ainda gera um objeto de resultado, apenas com status de erro.

Esse esquema tem duas vantagens para a pesquisa. A fila absorve picos de demanda, então um lote grande de sequências pode ser enviado sem um sistema próprio de tarefas. Além disso, o endpoint pode ser reduzido a zero instâncias quando não há trabalho, e você não paga pela ociosidade entre experimentos. Isso importa porque o SageMaker cobra por hora de instância, inclusive quando ela está parada.

Hardware, paralelismo e privacidade

São suportados três tipos de instância: ml.g6.2xlarge, ml.g6.4xlarge (padrão) e ml.g6.12xlarge. Cada previsão usa uma GPU, então uma máquina com várias placas não acelera um cálculo individual. Em compensação, na ml.g6.12xlarge, com quatro placas de vídeo, é possível processar quatro requisições ao mesmo tempo, ao definir max_concurrent_invocations_per_instance=4. Segundo medições da AWS, para proteínas grandes o custo de uma previsão na ml.g6.12xlarge fica próximo ao da ml.g6.4xlarge, embora o resultado final dependa dos dados de entrada e da região.

A escolha prática é a seguinte: para experimentos isolados, bastam as 2xlarge ou 4xlarge; para equipes com lotes de requisições, a 12xlarge é indicada; e para triagem de alto desempenho, ela é combinada com escalonamento automático. Se a capacidade das G6 for insuficiente na região, é possível escalar com várias 4xlarge.

No quesito privacidade, a AWS oferece algumas medidas. O endpoint opera com isolamento de rede, e as requisições e os resultados ficam no S3. Por isso, para sequências proprietárias, recomenda-se um bucket dedicado com criptografia por chave própria no KMS, política de acesso restritiva e uma regra de ciclo de vida para excluir arquivos desnecessários. Também é possível fornecer alinhamentos múltiplos de sequências (MSA) próprios: eles aumentam a precisão, sobretudo em complexos, e não saem do ambiente.

O que isso significa para as equipes

Para startups de biotecnologia e pequenos grupos de pesquisa, o principal efeito é a redução da barreira de entrada. Em vez de semanas configurando infraestrutura, basta uma conta AWS, uma cota para instâncias g6 e o notebook de exemplo da página do modelo. Há também limitações: o modelo continua em versão de pré-visualização, a capacidade das G6 pode ser escassa, e parte dos cálculos exige a preparação de MSAs. Antes de executar, verifique as cotas, configure permissões pelo princípio do menor privilégio e lembre-se de excluir os endpoints ou ativar o escalonamento até zero.

História

Perguntas frequentes sobre a notícia

O que é o modelo e o que ele faz?

O OpenFold3 foi desenvolvido pelo consórcio OpenFold e pelo laboratório de AlQuraishi, na Universidade Columbia. Trata-se de um modelo all-atom: ele prevê a estrutura 3D conjunta de um conjunto de moléculas a partir de suas sequências. Ele não se limita a uma única cadeia de proteína. Em uma só passagem, é possível montar um complexo de várias proteínas, uma associação de proteína com DNA ou RNA, ou uma proteína com uma molécula pequena, como um medicamento. Essa molécula é descrita por uma string SMILES.

Por que endpoints assíncronos?

A maioria dos modelos do JumpStart, como os de linguagem e de embeddings, roda em endpoints em tempo real, nos quais a resposta precisa voltar em uma única requisição, com limite de 60 segundos. Para o dobramento de proteínas, isso não basta: o tempo cresce com o número e o tamanho das cadeias, e complexos reais costumam levar minutos para serem calculados. Por isso, o OpenFold3 funciona com o SageMaker Asynchronous Inference.

O que se sabe sobre Hardware, paralelismo e privacidade?

São suportados três tipos de instância: ml.g6.2xlarge, ml.g6.4xlarge (padrão) e ml.g6.12xlarge. Cada previsão usa uma GPU, então uma máquina com várias placas não acelera um cálculo individual. Em compensação, na ml.g6.12xlarge, com quatro placas de vídeo, é possível processar quatro requisições ao mesmo tempo, ao definir max_concurrent_invocations_per_instance=4.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…