Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
ИнфраструктураОткрытые веса · В работуAWS Machine Learning Blog→ оригинал

AWS добавила OpenFold3 в SageMaker JumpStart: структуры белков без своего GPU-кластера

Чтобы запустить модель предсказания 3D-структур белков, нужны GPU, связка CUDA и PyTorch, тяжёлые веса и сервер для запросов на минуты. AWS упаковала открытую OpenFold3 в SageMaker JumpStart, и её можно развернуть в своём аккаунте несколькими строками кода. Запрос кладётся в S3, обрабатывается в очереди до часа, а в простое эндпоинт сжимается до нуля. Для биотех-команд это способ считать структуры без своей инфраструктуры.

AI-обработка оригинала AWS Machine Learning Blog; редакция Hamidun News
AWS добавила OpenFold3 в SageMaker JumpStart: структуры белков без своего GPU-кластера
Источник: AWS Machine Learning Blog. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникAWS Machine Learning Blog ↗
Главный редактор
Ключевой факт #1Лицензия Apache 2.0, но модель пока в статусе research preview
Три типа машинml.g6.2xlarge, 4xlarge и 12xlarge с четырьмя GPU
Ключевой факт #3На каждый запрос по умолчанию — пять вариантов структуры с оценкой

Предсказание пространственной структуры молекул давно стало рабочим инструментом в поиске лекарств: им пользуются при выборе мишеней, проектировании антител и виртуальном скрининге. Но запускать такие модели самостоятельно неудобно. Нужны видеокарты, работающая связка CUDA и PyTorch, тяжёлые файлы весов и сервер, который не падает, если один запрос считается несколько минут, а не миллисекунд. AWS предложила готовое решение: открытая модель OpenFold3-preview теперь доступна в Amazon SageMaker JumpStart.

Что за модель и что она умеет

OpenFold3 разработали консорциум OpenFold и лаборатория AlQuraishi в Колумбийском университете. Это all-atom модель: она предсказывает совместную 3D-структуру набора молекул по их последовательностям. Она не ограничена одной белковой цепочкой. За один проход можно сложить комплекс из нескольких белков, связку белка с ДНК или РНК, а также белок с маленькой молекулой, например лекарством. Такую молекулу задают строкой SMILES.

На выходе вы получаете структуры в формате mmCIF и метрики уверенности: pLDDT, PAE и PDE. По умолчанию на каждый запрос модель выдаёт пять кандидатов, а в сводном файле есть sample_ranking_score, по которому выбирают лучший. Для комплексов главное число — ipTM, оно показывает, насколько надёжно цепочки и лиганды расположены друг относительно друга. Значения pLDDT выше примерно 70 обычно означают надёжную локальную структуру.

Код и веса выложены под Apache 2.0, опубликованы также данные и методы обучения. Фармкомпании и исследователи могут дообучать модель и строить на ней свои продукты. Оговорка: сами авторы называют OpenFold3-preview исследовательским превью, поэтому для критичных решений предсказания стоит перепроверять.

Почему здесь асинхронные эндпоинты

Большинство моделей в JumpStart, например языковые и эмбеддинг-модели, работают на real-time эндпоинтах, где ответ нужно вернуть за один запрос, а лимит составляет 60 секунд. Для фолдинга этого мало: время растёт с числом и длиной цепочек, и реальные комплексы часто считаются минутами.

Поэтому OpenFold3 работает через SageMaker Asynchronous Inference. Схема такая: вы кладёте JSON-запрос в S3 и вызываете InvokeEndpointAsync, который возвращается сразу. Эндпоинт ставит задачу в очередь и обрабатывает её, таймаут может доходить до часа. Результат или описание ошибки появляется в выбранном вами месте в S3, а о готовности можно узнать опросом или через Amazon SNS. Ошибочный запрос, например с неверной цепочкой, всё равно создаёт объект результата, только со статусом error.

У такой схемы два удобных свойства для науки. Очередь всплесков встроена, так что большой пакет последовательностей можно отправить без собственной системы задач. Кроме того, эндпоинт может уменьшиться до нуля инстансов, когда работы нет, и вы не платите за простой между экспериментами. Это важно, потому что SageMaker тарифицирует инстанс-часы, в том числе простаивающие.

Железо, параллелизм и приватность

Поддерживаются три типа инстансов: ml.g6.2xlarge, ml.g6.4xlarge (по умолчанию) и ml.g6.12xlarge. Одно предсказание занимает одну GPU, поэтому многокарточная машина не ускоряет отдельный расчёт. Зато на ml.g6.12xlarge с четырьмя видеокартами можно считать четыре запроса одновременно, если выставить max_concurrent_invocations_per_instance=4. По замерам AWS, для крупных белков стоимость одного предсказания на ml.g6.12xlarge близка к ml.g6.4xlarge, хотя итог зависит от входных данных и региона.

Практический выбор такой: для одиночных экспериментов хватит 2xlarge или 4xlarge, для команды с пачками запросов подходит 12xlarge, а для высокопроизводительного скрининга его комбинируют с автомасштабированием. Если мощности G6 в регионе не хватает, можно масштабироваться по нескольким 4xlarge.

С приватностью AWS предлагает несколько мер. Эндпоинт работает с сетевой изоляцией, а запросы и результаты лежат в S3, поэтому для проприетарных последовательностей советуют отдельный бакет с шифрованием через собственный ключ KMS, строгую политику доступа и правило жизненного цикла для удаления ненужных файлов. Можно также передавать собственные множественные выравнивания последовательностей (MSA): они повышают точность, особенно для комплексов, и не уходят наружу.

Что это значит для команд

Для биотех-стартапов и небольших исследовательских групп главное здесь в том, что порог входа снижается. Вместо недель настройки инфраструктуры хватает аккаунта AWS, квоты на g6-инстанс и примерного ноутбука из карточки модели. Ограничения тоже есть: модель остаётся превью, мощности G6 бывают дефицитными, а часть расчётов требует подготовки MSA. Перед запуском проверьте квоты, настройте права по принципу минимальных привилегий и не забудьте удалить эндпоинты или включить масштабирование до нуля.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: что за модель и что она умеет?

OpenFold3 разработали консорциум OpenFold и лаборатория AlQuraishi в Колумбийском университете. Это all-atom модель: она предсказывает совместную 3D-структуру набора молекул по их последовательностям. Она не ограничена одной белковой цепочкой. За один проход можно сложить комплекс из нескольких белков, связку белка с ДНК или РНК, а также белок с маленькой молекулой, например лекарством. Такую молекулу задают строкой SMILES. На выходе вы получаете структуры в формате mmCIF и метрики уверенности: pLDDT, PAE и PDE.

Что известно по теме: почему здесь асинхронные эндпоинты?

Большинство моделей в JumpStart, например языковые и эмбеддинг-модели, работают на real-time эндпоинтах, где ответ нужно вернуть за один запрос, а лимит составляет 60 секунд. Для фолдинга этого мало: время растёт с числом и длиной цепочек, и реальные комплексы часто считаются минутами. Поэтому OpenFold3 работает через SageMaker Asynchronous Inference. Схема такая: вы кладёте JSON-запрос в S3 и вызываете InvokeEndpointAsync, который возвращается сразу.

Что известно по теме: железо, параллелизм и приватность?

Поддерживаются три типа инстансов: ml.g6.2xlarge, ml.g6.4xlarge (по умолчанию) и ml.g6.12xlarge. Одно предсказание занимает одну GPU, поэтому многокарточная машина не ускоряет отдельный расчёт. Зато на ml.g6.12xlarge с четырьмя видеокартами можно считать четыре запроса одновременно, если выставить max_concurrent_invocations_per_instance=4. По замерам AWS, для крупных белков стоимость одного предсказания на ml.g6.12xlarge близка к ml.g6.4xlarge, хотя итог зависит от входных данных и региона.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…