AWS: multimodalni biološki foundation modeli ubrzavaju otkrivanje lijekova za 50 posto i dijagnostiku za 90 posto
AWS je objavio pregled primjene multimodalnih bioloških foundation modela u razvoju lijekova i skrbi o pacijentima. Kombinacijom genomike, medicinskih slika i kliničkih podataka postiže se 4-7% veća AUC točnost, do 90% uštede vremena u analizi slika i do 50% niži troškovi razvoja lijekova.
Ovaj članak generiran je uz pomoć umjetne inteligencije na temelju primarnih izvora.
Amazon Web Services objavio je 23. travnja 2026. detaljan pregled primjene multimodalnih bioloških foundation modela u terapeutici i skrbi o pacijentima. Rezultati ukazuju na značajna poboljšanja i u fazi otkrivanja lijekova i u kliničkoj dijagnostici.
Što su multimodalni biološki foundation modeli?
Foundation modeli u biologiji su veliki neuralni modeli pretrenirani na ogromnim količinama bioloških podataka - analogno načinu na koji su GPT ili Claude pretrenirani na tekstu. AlphaFold i RoseTTAFold utrli su put za proteinske strukture, a nova generacija modela ide korak dalje.
Multimodalnost u ovom kontekstu znači da jedan model istovremeno procesira više tipova biomedicinskih podataka: DNA i RNA sekvence iz genomike, medicinske slike (MRI, CT, patološke slike), te kliničke podatke iz elektroničkih zdravstvenih zapisa (EHR). Umjesto zasebnih modela po modalitetu, model uči zajedničku reprezentaciju koja povezuje sve izvore.
Koje brojke pokazuju poboljšanja?
AWS u objavi navodi tri ključna rezultata iz stvarnih primjena. Prvi je poboljšanje od 4-7% u AUC (area under curve) metrici dijagnostičke točnosti kada se multimodalni modeli uspoređuju s unimodalnima na istim skupovima podataka.
Drugi rezultat je ušteda vremena do 90% u analizi medicinskih slika, gdje patolozi i radiolozi dobivaju prioritetizirane sekcije za pregled umjesto ručnog skeniranja cijele slike. Treći rezultat je smanjenje troškova do 50% u ranoj fazi razvoja lijekova, gdje model pomaže u identifikaciji najperspektivnijih kandidatskih molekula.
Što to znači za farmaceutsku industriju?
Tradicionalni razvoj lijeka traje 10-15 godina i košta preko milijardu dolara, s većinom kandidata koji padaju u kasnim fazama kliničkih ispitivanja. Ako foundation modeli mogu rano odbaciti loše kandidate i identificirati perspektivne drug targets, prosječni trošak i vrijeme razvoja značajno padaju.
Konkretne primjene uključuju identifikaciju novih drug targets iz genomskih podataka, automatsku detekciju anomalija na patološkim slikama i povezivanje genetskih varijanti s kliničkim ishodima. Za razliku od AlphaFold-a koji rješava jedan problem (struktura proteina), multimodalni pristup cilja cijeli pipeline od otkrića do primjene.
Česta pitanja
- Što su biological foundation modeli?
- To su veliki modeli pretrenirani na biološkim podacima poput DNA sekvenci, struktura proteina i ekspresije gena - slično kao što su LLM-ovi pretrenirani na tekstu. Nakon predtreniranja prilagođavaju se konkretnim zadacima uz mali skup označenih podataka.
- Zašto je multimodalnost bitna u medicini?
- Jedan tip podatka rijetko daje cijelu sliku. Kombinacija genomike, medicinskih slika i elektroničkih zdravstvenih zapisa u jednom modelu daje 4-7% bolju AUC točnost dijagnoze nego unimodalni modeli, jer model uči korelacije između modaliteta.
Povezane vijesti
arXiv:2605.22681: CUSP benchmark pokazuje da frontier modeli ne mogu pouzdano predviđati znanstvene proboje
arXiv:2605.22337: Meta-Soft uvodi kompresiju KV cachea kroz composable meta-tokene i naučljive ortogonalne baze
arXiv:2605.22664: WorkstreamBench testira LLM agente na end-to-end spreadsheet zadacima u financijama i frontier modeli padaju