其他行业 · AI应用
利用 AWS 上的 NVIDIA BioNeMo 提升蛋白质相互作用预测性能
生物技术初创公司 A-Alpha Bio 面临高效预测蛋白质相互作用的挑战，这对药物发现至关重要。他们利用 AWS 上的 NVIDIA BioNeMo 增强计算能力，蛋白质结合预测吞吐量提高12倍，处理超过1.08亿次推理调用，是初始预测的10倍。候选选择质量提升，蛋白质设计过程加速，实验周期减少1-2轮，降低了成本并加快了研发。
推理速度提升
12倍
来源披露
蛋白质结合预测处理量
1.08亿
来源披露
实验迭代周期减少
1-2轮
来源披露
01
业务背景
生物技术初创公司 A-Alpha Bio 面临高效预测蛋白质相互作用的挑战，这对药物发现至关重要。他们利用 AWS 上的 NVIDIA BioNeMo 增强计算能力，蛋白质结合预测吞吐量提高12倍，处理超过1.08亿次推理调用，是初始预测的10倍。候选选择质量提升，蛋白质设计过程加速，实验周期减少1-2轮，降低了成本并加快了研发。
02
遇到的问题
通用蛋白质机器学习模型在应用于抗体时表现不佳，而抗体是主要治疗药物。传统的设计-构建-测试循环需要多轮湿实验，耗时且资源密集，迫切需要更高效准确地预测蛋白质-蛋白质相互作用的专用方法，以加速优质候选药物的发现。
03
AI 解决方案
A-Alpha Bio在AWS上部署NVIDIA BioNeMo框架，将ESM2nv模型容器化并集成至现有工作流，利用AWS Batch管理计算作业。采用Amazon EC2 P5实例（配备NVIDIA H100 Tensor Core GPU）并结合EC2 Capacity Blocks预订GPU容量，大幅提升推理速度。使用该设置进行大规模蛋白质突变扫描，生成高精度的结合亲和力预测，从而在计算端筛选更优的候选分子，显著减少湿实验迭代。
- 1在AWS上运行开源ESM-2模型进行初步实验，发现速度瓶颈，识别出采用NVIDIA BioNeMo优化的机会。
- 2将BioNeMo ESM-2nv模型容器部署到AWS Batch，融入现有工作流，实施周期约一周。
- 3迁移至Amazon EC2 P5实例（NVIDIA H100 Tensor Core GPU），获取GPU加速。
- 4使用Amazon EC2 Capacity Blocks for ML预订GPU实例，保障计算容量并控制成本。
- 5并行运行六个大规模活动，每个活动1800万次推理调用，累计完成1.08亿次蛋白质相互作用预测。
04
实施结果
推理速度提升：12倍（12x）
蛋白质结合预测处理量：1.08亿（10倍）
实验迭代周期减少：1-2轮（减少1-2轮）
05
风险与边界
未披露
“We can explore the landscape of protein mutations more exhaustively than ever before, which increases our chances of discovering superior drug candidates.”
Adrian Lange · Director of Machine Learning Research, A-Alpha Bio
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。