通过 Amazon SageMaker 和 Nimbus Therapeutics 加快候选药物的设计速度

凭借在计算化学和机器学习（ML）领域积累的专业知识，Nimbus Therapeutics（Nimbus）致力于通过自动化机器学习的运营方面（MLOps）来进一步加速其药物研发引擎。通过最大限度地减少模型训练和部署中的人工干预，Nimbus 的科学家得以专注于公司的核心使命：研发突破性药物。

Nimbus 求助于 Amazon Web Services（AWS），以利用 Amazon SageMaker。该服务通过完全托管的基础设施、工具和流程，支持组织为各种应用场景构建、训练和部署 ML 模型。Nimbus 使用 Amazon SageMaker 作为其技术堆栈的一部分，打造了一条 MLOps 管道，可自动部署预测模型。科学家利用这些模型，在合成和测试前设计出具有更好的药物特性的分子。这样，科学家就能够将宝贵的资源投入到最有可能成功的创意中。

此外，自动化还使计算化学家能够腾出时间去做他们擅长的事情。“如果我们总是按部就班地训练模型，就会无暇顾及药物设计，”Nimbus 计算化学部总监 Leela Dodda 说道。

Nimbus 团队构想了一条自动化管道，能够定期整理来自各种来源的数据，并重新训练和重新部署机器学习模型。通过 Schrödinger 的 LiveDesign 应用程序（用于捕获和评估新分子设计），该管道能够提供近乎实时的预测。在制药领域，许多数据来源规模较小，本身具有异质性，且缺少关键的结构化元数据。Nimbus 认为，为了持续交付高性能模型，制定元数据提取规则以及纳入和排除标准至关重要。

该团队需要迅速证明，现有数据结合其整理和建模策略，能否对项目产生实质性影响，并保证会投入更多的时间和资源。在原型设计阶段，该团队使用了 Amazon SageMaker 笔记本，这是 JupyterLab 中的完全托管式笔记本，用于探索数据和构建机器学习模型，并可自动扩缩计算资源。这个生成式人工智能编码助手有助于编写特定于 Amazon SageMaker 的代码。为了协调与 LiveDesign 的通信，该团队使用了 Amazon API Gateway，这是一项完全托管的服务，使开发人员能够轻松创建、发布、维护、监控和保护任意规模的 API。Amazon API Gateway 利用了 AWS Lambda 的无服务器功能，使组织无需考虑服务器或集群即可运行代码，从而提供来自 Amazon SageMaker 端点的近乎实时的推理。尽管这一集成解决方案尚未实现完全自动化，但它验证了团队的方法。

在与自身 IT 团队和 AWS 专家合作的基础上，Nimbus 科学家通过 Amazon SageMaker Pipelines（一项专为 MLOps 自动化打造的无服务器工作流编排服务）实现了试点项目自动化。随后迁移到 Amazon SageMaker 项目（该项目为 MLOps 工程师提供了持续集成和交付系统），为持续实施改进和定期重新训练提供了可持续的解决方案。

“我们的工作是交付候选药物，”Price 说道，“任何技术都必须与这一使命完全一致，不能自成体系或分散我们的注意力。AWS 正好解决这一挑战：它为我们提供了开发定制且有针对性的解决方案所需的工具，让我们无需亲自开发整个 DevOps 或 MLOps 服务。”

Nimbus 已成功自动化了一套机器学习模型，以预测药物暴露和安全性的不同方面，这些模型正在积极影响所有研发项目的设计。通过 LiveDesign 提供的预测结果，使 Nimbus 的所有科学家，无论学科或技术背景如何，都能平等地利用这项技术。然而，该基础设施并非 LiveDesign 所特有。实际上，Nimbus 现在正在利用机器学习预测的迭代轮次进行强化学习，指导分子生成式人工智能探索更多化学空间，并将新颖的设计理念融入到团队的思考中。

事实证明，为 MLOps 开发的工程框架的价值已超出其最初的范围。它可以适应各种类型的科学计算任务，包括化学信息学和物理学任务。Nimbus 会继续寻找使用这一解决方案的机会，力求简化计算科学，并提高流程效率。“投资这一解决方案的一个好处是，它催生了许多不同的想法，”Dodda 说道，“我们可以利用相同的技术来解决其他问题。”

“通过使用 Amazon SageMaker，我们能够运用更多科学知识来识别最有效、最安全的分子，同时缩短从项目启动到临床的时间。”Price 表示，“这对每个人都很重要。质量和速度很重要。”