Insilico Medicine 利用 Amazon SageMaker 加速新药发现

Insilico 成立于 2014 年，致力于利用 AI 和深度学习技术识别潜在治疗靶点并设计具有优化特性的疗法。在传统的新药发现中，研究人员必须对分子进行大量的测试与合成迭代，才能获得成功的结果。而 Insilico 通过部署 ML 来设计优质候选分子供湿实验室进一步评估，简化了这些初期阶段。Insilico 高级技术总监 Daniil Polykovskiy 表示：“我们的技术解决方案能考量远超人工设计分子时可以考量的参数。对于每个环节，我们都有相应的自动化流程或 ML 模型来评估候选分子的可行性。” 目前公司有 30 个项目正在开发中，其中 5 个处于 1 期临床试验，1 个已进入 2 期。

Insilico 的快速原型团队则负责在幕后开发和训练各种新模型，以不断优化其基于 ML 的解决方案。该团队不断探索新的前沿领域，并与 Insilico 的其他团队紧密合作，为特定研究需求定制专属模型。为推动这一进程，团队需要 GPU 资源的支持，此前，他们通过另一家云服务提供商获取这些资源。但是，原有架构依赖静态虚拟机和需手动扩展的 Kubernetes 集群，导致资源利用效率低下：时而出现硬件闲置，时而又需要团队等待资源分配。

 Polykovskiy 表示：“我们需要一种不必操心硬件配置或实现细节的高效建模方式。我们还需要一个集中化的环境，让各团队能够随时获取充足资源、开展协作、训练和评估模型，以及流畅地共享成果。” 为此，Insilico 于 2024 年启动了向 Amazon SageMaker 的迁移。

依托 Amazon SageMaker，Insilico 将迭代和部署新 ML 模型所需的时间从 50 天缩短至 3 天，提速超过了 16 倍。公司此前所用的 ML 流程线系自主开发，需要先后尝试不同模型、使用不同参数训练模型，再筛选理想的模型进行部署。现在，使用 Amazon SageMaker，Insilico 可以并行执行这些步骤，还可以自动纵向扩展模型测试资源以及按需调用尖端 GPU 和 CPU。Polykovskiy 表示：“在 Amazon SageMaker 上，整个训练流程更加高效。我们可以快速扩大实验规模，并为每个模型选择所需的后端和硬件。” 快速原型团队现在每 2 周（而非数月）即可部署更新模型，时间缩短了约 83%。通过加速模型发布周期，Insilico 将能更快推进科学发现。

Insilico 的 DevOps 团队也节省了维护和扩展基础设施所需的时间及精力。此前，通过 DevOps 团队申请和部署新资源需要大约 1 周的时间，但使用 Amazon SageMaker 后，各团队现在可根据需要独立部署和扩展资源。Polykovskiy 解释称：“各团队都清楚自己的资源配额，可以自主决定训练内容和时间节点，无需等待其他团队分配资源。”

Insilico 的快速原型团队利用 Amazon SageMaker 的可扩展资源训练新基础模型，并与其他 Insilico 团队一起测试模型。Polykovskiy 表示：“通过使用 Amazon SageMaker，我们获得了非常灵活的计算资源，能与多个团队协作，并行开展测试。”举个例子，团队曾在收到假设验证需求后，仅用 1 天就交付了使用特定数据集训练的新模型。截至 2024 年 7 月，Insilico 已有半数技术团队迁移至 Amazon SageMaker，其余团队的迁移也在持续推进中。Polykovskiy 指出：“各团队深切体会到 Amazon SageMaker 的巨大价值。所有人都渴望获得更灵活的计算资源调用能力。”