OpenFold3와 Amazon SageMaker JumpStart 활용 방법

OpenFold3와 Amazon SageMaker JumpStart 활용하기

소개

오늘날 생명과학 및 제약 업계에서 구조 예측은 연구와 개발의 핵심 요소로 자리잡고 있습니다. Amazon SageMaker JumpStart는 사용자가 OpenFold3를 통해 생체분자의 구조를 예측할 수 있는 편리한 환경을 제공합니다. 이 글에서는 OpenFold3의 주요 기능과 활용 사례, 배포 가이드 및 자동화 설정 방법을 살펴보겠습니다.

본문

OpenFold3의 주요 기능

OpenFold3는 OpenFold 컨소시엄 및 Columbia University의 AlQuraishi 연구실에서 개발한 오픈 소스 생체분자 구조 예측 모델입니다. 기본적으로 단백질, DNA, RNA 등 다양한 생체분자의 3D 구조를 예측할 수 있으며, 이 모델은 Amazon SageMaker JumpStart를 통해 간편하게 배포할 수 있습니다.

활용 사례

OpenFold3는 컴퓨팅 기반 신약 발견 작업에서 다양한 활용 사례를 가집니다. 이는 타겟 식별, 항체 및 단백질 엔지니어링, 구조 기반 가상 스크리닝 등에서 핵심적으로 사용됩니다. 모델이 예측하는 구조는 실험적 구조가 없는 타겟에 대해서도 유용한 정보를 제공합니다.

배포 가이드

Amazon SageMaker JumpStart를 통해 OpenFold3를 배포하는 것은 몇 줄의 코드로 가능합니다. SageMaker Asynchronous Inference를 사용하여 대량의 요청을 효율적으로 처리할 수 있으며, 이는 예측 작업의 병목 현상을 줄이고 비용을 절감하는 데 기여합니다.

import boto3
from sagemaker.core.jumpstart.configs import JumpStartConfig
from sagemaker.core.training.configs import Compute
from sagemaker.serve.model_builder import ModelBuilder
from sagemaker.core.inference_config import AsyncInferenceConfig

session = boto3.Session()
bucket = session.default_bucket()
prefix = "openfold3-async"

model_builder = ModelBuilder.from_jumpstart_config(
    jumpstart_config=JumpStartConfig(
        model_id="huggingface-proteinfolding-openfold3",
        accept_eula=True,
    ),
    compute=Compute(instance_type="ml.g6.4xlarge"),
)
async_config = AsyncInferenceConfig(
    output_path=f"s3://{bucket}/{prefix}/output",
    failure_path=f"s3://{bucket}/{prefix}/failure"
)
endpoint = model_builder.deploy(inference_config=async_config)

위 코드는 OpenFold3 모델을 SageMaker Asynchronous Inference로 설정하고 배포하는 방법입니다. 이를 통해 사용자는 OpenFold3의 예측 결과를 S3에 저장하고 자동으로 확장할 수 있습니다.

자동화 및 스케일링

SageMaker Asynchronous Inference는 자동화 및 스케일링을 통해 비용 절감 및 효율적인 자원 사용을 지원합니다. 특히 인스턴스를 유휴 상태에서 0으로 스케일링하여 비용을 최소화할 수 있으며, 요청이 도착하면 자동으로 확장됩니다.

이미지 예시

결론

OpenFold3와 Amazon SageMaker JumpStart를 결합하면, 복잡한 구조 예측을 효과적으로 수행할 수 있습니다. 이러한 솔루션은 생명과학 연구자와 제약 전문가가 클라우드 환경에서 연구 개발 프로세스를 혁신하는 데 기여합니다. OpenFold3의 배포, 활용 및 자동화 가능성은 데이터 보안을 강화하면서도 높은 효율성을 제공합니다.

[1] https://aws.amazon.com/blogs/machine-learning/openfold3-on-amazon-sagemaker-jumpstart-predict-biomolecular-structures/