Замыкая цикл с интегрированными лабораторными партнерами Amazon Bio Discovery
7 мая 2026 г.
Читать блог
Представляем Amazon Bio Discovery: разработка лекарств на базе ИИ в масштабе
14 апреля 2026 г.
Инфографика продукта: рабочий процесс DBTL
14 апреля 2026 г.
AWS и лаборатория Gray Lab при Университете Джонса Хопкинса анонсируют прорывную базу данных для проектирования антител с помощью ИИ/МО
Доступные базовые модели
Использование собственной модели (BYOM)
Используйте любые модели, разработанные вашей организацией самостоятельно или лицензированные у коммерческих поставщиков моделей, и легко интегрируйте их в рабочие процессы Amazon Bio Discovery. Запускайте ваши проприетарные модели вместе с нашим каталогом, содержащим более 40 биологических моделей ИИ, в рамках единых конвейеров, что позволяет задействовать существующую интеллектуальную собственность и одновременно использовать инфраструктуру lab-in-the-loop в Amazon Bio Discovery. Эта функция в настоящее время находится в стадии бета-тестирования.
Обучение собственной модели
Тонкая настройка биологических моделей ИИ с использованием существующих экспериментальных данных или новых результатов для повышения точности предсказаний с каждой итерацией. Загружайте проприетарные наборы данных и выполняйте обучение на результатах экспериментов, сохраняя при этом полные права на данные — ваши данные никогда не используются для обучения размещенных моделей, что гарантирует полный контроль над вашей интеллектуальной собственностью. Эта функция в настоящее время находится в стадии бета-тестирования.
Управляемый агентом дизайн de novo нанотеловых связывающих агентов против новой онкологической мишени
Дата: апрель 2026 г.
Аннотация: Открытие терапевтических антител остается медленным и ресурсоемким процессом, а традиционные методы обеспечивают ограниченный контроль над выбором эпитопов. Мы представляем рабочий процесс для дизайна нанотел de novo, примененный к новой мишени десмопластической мелкокруглоклеточной опухоли, который включает четыре этапа: идентификацию эпитопов, генерацию de novo, многокритериальную оценку и высокопроизводительный скрининг. Мы создали 288 000 вариантов нанотел, охватывающих восемь областей целевых эпитопов. Многоцелевая фильтрация по Парето позволила получить 100 000 кандидатов для дрожжевого поверхностного дисплея (YSD). 46 из 116 кандидатов (39,7%) продемонстрировали надежные кинетические фиты со значениями KD от 0,66 нМ до 305 нМ (медиана 31,7 нМ). Эти результаты показывают, что управляемый агентом вычислительный рабочий процесс позволяет создавать нанонамолярные и субнанонамолярные нанотеловые связывающие агенты против новой мишени без экспериментальной структуры или предварительной информации об антителах.
Контекстно-зависимый многофакторный предиктор антител
Дата: январь 2026 г.
Аннотация: Недавние достижения в области машинного обучения преобразовали разработку антител с помощью ин-силико моделей. Мы представляем новую многомодальную архитектуру со специализированной токенизацией и прожекцией эмбеддингов, которая объединяет текст и белковые языковые модели (pLM) со стратегией обучения, обеспечивающей контекстное обучение для предсказания множества свойств. Используя 876 898 антител с симуляцией батч-эффекта, наша архитектура достигла коэффициента Спирмена ρ > 0,8 для нескольких свойств технологичности.
Начало работы с Amazon Bio Discovery
Быстро освойтесь с помощью структурированного обучения, разработанного для экспериментальных биологов, вычислительных биологов и структурных биологов. Этот исчерпывающий курс охватывает обзор продукта, запуск вашего первого эксперимента, выбор моделей, создание рабочих процессов и лучшие практики для процессов разработки лекарств.
