Amazon Bio Discovery
通过人工智能驱动的“实验室在环”工作流，设计更优的抗体
什么是 Amazon Bio Discovery
Amazon Bio Discovery 让科学家可以直接访问在庞大的生物数据集上训练的生物人工智能模型。这些专业的人工智能模型可以生成和评估潜在的抗体疗法，但仅靠访问是不够的。人工智能代理可帮助您根据研究目标选择合适的模型，优化输入，并在将候选方案无缝提交给集成实验室合作伙伴进行合成与测试前进行评估。结果会自动返回应用程序进行分析和模型优化，形成一个闭环实验循环，在每次迭代时都能积累机构知识。
工作原理
构建
访问一个包含内置基准测试的专业目录，可展示模型在真实抗体优化任务中的性能表现。人工智能代理可帮助您根据研究目标选择和编排正确的模型，或者您的计算生物学家可以结合托管模型或您自己的专有模型创建自定义的多步管道。已发布的管道将成为自助服务模板，您的整个团队均可重复使用。
设计
与人工智能代理合作，上传您的目标结构并定义您的研究目标。该代理可识别最佳结合热点，推荐设计参数，并通过文献引用说明其推理依据。您的管道会基于结构置信度、结合亲和力和人用化程度，生成数千个排序候选对象。
测试
人工智能代理使用基于 Pareto 的多目标优化来推荐阵列中的最佳候选对象。根据您项目相关的关键标准筛选，选择表现最佳的候选对象，并直接提交给集成的实验室合作伙伴，享受透明价格和快速响应。
学习
湿实验结果会自动返回到您的原始实验。将预测与实际结果进行比较，看看哪些是有效的，然后使用您的结果根据您的专有数据完善模型，以便在下一个周期中做出更明智的预测。
我们很高兴能够与 Amazon Bio Discovery 合作，共同开发新一代抗体，以加快这一进程，帮助全球患者
博士Nai-Kong Cheung
纪念斯隆·凯特琳癌症中心小儿肿瘤学 Enid A. Haupt 冠名讲席在一个地方训练模型，却在另一个地方将其投入使用，需要付出真正的努力。Amazon Bio Discovery 提供了一种便捷的解决方案，使新人工智能模型可用于设计和评估新型分子。
Jeron Chen 博士
Voyager Therapeutics, Inc. 高级总监、数据科学与生物信息学负责人作为一名负责多种抗体发现实验的蛋白工程师，要在 bioFM 设计领域快速发展的背景下，同时确保项目顺利推进，始终是一项挑战。Amazon Bio Discovery 提供了一个可扩展的应用程序，具备人工智能驱动的分析和自动化的实验跟踪功能，有助于在 Broad 识别并优化治疗性发现的领先候选对象。这种综合方法对我们的药物发现过程至关重要。
Mrinal Shekhar 博士
Broad Institute 小组负责人兼高级研究科学家 I经纪念斯隆·凯特琳癌症中心验证
纪念斯隆·凯特琳癌症中心与 Amazon Bio Discovery 合作，加速了儿科癌症抗体的开发。他们使用人工智能代理协调多个模型，设计了近 30 万个新型抗体分子，并将前 10 万个候选分子送去测试。 使用传统设计方法通常需要最长一年的时间，而采用这种方法，从设计候选方案到送至实验室测试仅需数周。
专为科学家实际工作方式而设计
找到今天要查找的内容了吗？
请提供您的意见，以便我们改进网页内容的质量。