其他行业 · AI应用
使用 Amazon SageMaker 加速候选药物设计
Nimbus Therapeutics 在药物发现过程中面临挑战，手动模型训练和部署阻碍了效率和资源分配。为解决此问题，他们使用 Amazon SageMaker 实施了自动化机器学习管道，简化了模型训练和部署流程。这种方法使科学家能够专注于药物设计而非技术障碍，促进了跨学科协作。结果，Nimbus 实现了药物暴露和安全性的近实时预测，显著提高了计算科学效率，加速了突破性药物的开发。
01
业务背景
Nimbus Therapeutics 在药物发现过程中面临挑战，手动模型训练和部署阻碍了效率和资源分配。为解决此问题，他们使用 Amazon SageMaker 实施了自动化机器学习管道，简化了模型训练和部署流程。这种方法使科学家能够专注于药物设计而非技术障碍，促进了跨学科协作。结果，Nimbus 实现了药物暴露和安全性的近实时预测，显著提高了计算科学效率，加速了突破性药物的开发。
02
遇到的问题
手动模型训练和部署阻碍科学家专注于核心药物设计工作，且合成与测试化合物昂贵耗时，亟待实现分子性质的近实时预测以指导设计。
03
AI 解决方案
基于Amazon SageMaker构建MLOps管道，自动执行数据整理、模型训练与部署，并通过API Gateway和Lambda在LiveDesign中提供近实时预测，使科学家能在合成前预测并优化分子的药物特性。
- 1使用Amazon SageMaker notebooks进行数据探索与机器学习模型原型构建
- 2通过Amazon API Gateway和AWS Lambda集成SageMaker推理端点，在LiveDesign中实现近实时预测
- 3采用Amazon SageMaker Pipelines自动化试点管道
- 4迁移至Amazon SageMaker Projects，以可持续地实施持续集成、交付与定时重训练
04
实施结果
该案例未在来源材料中披露量化效果指标，具体成效请参考下方信息来源。
05
风险与边界
未披露
“Using Amazon SageMaker helps us bring more science to identifying the most efficacious and safe molecule while trimming the time from program inception to the clinic.”
Dan Price · Vice President of Computational Chemistry and Structural Biology
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。