AWS: multimodalni biološki foundation modeli ubrzavaju otkrivanje lijekova za 50 posto i dijagnostiku za 90 posto

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.