Amazon SageMaker AI で BoltzGen を活用し、タンパク質設計を加速

[BoltzGen](https://github.com/HannesStark/boltzgen) を [Amazon SageMaker AI](https://aws.amazon.com/sagemaker/ai/) で利用することで、GPU 計算インフラをエンドツーエンドで管理し、タンパク質結合体設計を加速できます。[BoltzGen](https://boltz.bio/boltzgen) は拡散に基づく生成モデルであり、特定の生体分子ターゲットに結合する能力を持つタンパク質やペプチドを設計します。典型的な設計キャンペーンには、バックボーン生成、逆折りたたみ（inverse folding）、構造検証、候補のランク付けなど、複数の GPU 集約型ステップが含まれます。数百、数千、あるいは数百万もの設計候補に対してこれらのステップを実行すると、インスタンスのプロビジョニング、ステップ間でのデータ移動、コスト追跡などの運用オーバーヘッドが生じます。SageMaker AI は、インスタンスのプロビジョニングから結果の提供、リソースのクリーンアップに至るまでの計算ライフサイクルを管理するため、インフラストラクチャの運用ではなく設計の反復に集中できます。 本稿では、SageMaker AI 上で BoltzGen をデプロイし、エンドツーエンドのタンパク質設計実験を実行する方法を示します。ウォークスルーが完了する頃には、迅速な検証実行から生産バッチ処理までスケール可能な動作セットアップが整います。このセットアップは研究の異なる段階に対応する 2 つの実行モードを提供し、反復ワークフロー中の計算コストを削減するためにステップレベルのキャッシュ機能を利用します。 このチュートリアルは、タンパク質結合体設計、治療用タンパク質工学、あるいは新規タンパク質アーキテクチャのいずれに取り組んでいても、学術研究ラボ、バイオテックスタートアップ、製薬企業の R&D グループ、教育プログラムに適用されます。 ## SageMaker AI が解決するタンパク質設計のボトルネック BoltzGen キャンペーン内の各ステップは GPU ハードウェア上で実行され、一度に 1 つの設計仕様を処理します。リポジトリのベンチマークデータに基づくと、4-GPU インスタンス（ml.g5.12xlarge）において、1,000 サンプルのキャンペーンを完了するには約 375 時間かかります。このインフラストラクチャを運用するには、CUDA 環境の構築（例：CUDA ドライバのインストールとツールキットの設定）、GPU インスタンスのライフサイクル調整、ステップ間のデータパイプライン構築、および長時間実行ジョブからの障害回復が必要です。 SageMaker AI はこれらのボトルネックをすべて直接的に解決します。ジョブを送信すると、SageMaker AI が GPU インスタンスをプロビジョニングし、コンテナ内で BoltzGen を実行します。結果は [Amazon Simple Storage Service](https://aws.amazon.com/s3/)（Amazon S3）に書き込まれ、処理が完了するとインスタンスが解放されます。課金は秒単位で行われるため、アイドル状態の GPU にかかるコストはありません。ml.g4dn.xlarge での 2 時間の設計実行は、[オンデマンド価格](https://aws.amazon.com/sagemaker/pricing/)に基づき約 1.50 ドルです。 実装では、単一インスタンス内でのマルチ GPU 並列化と、パイプラインを跨ぐマルチインスタンスのスケーリングをサポートしています。パイプラインモードでは、各ステップの出力が Amazon S3 にキャッシュされ、有効期限は 7 日間です。そのため、フィルタリングパラメータを反復して調整する際、計算コストの約 90% を占める設計生成ステップは再実行されません。 リポジトリ内のセットアップスクリプトはコンテナを構築し、[Amazon Elastic Container Registry](https://aws.amazon.com/ecr/) (Amazon ECR) にプッシュします。また、作業例により、数分で最初の設計ジョブを送信できます。10 件の候補で設計仕様を検証するのと同じ設定が、より大規模なキャンペーンにもスケーリング可能です。変更されるのはパラメータ値のみです。ml.g4dn（最もコスト効率の高い T4 GPU）から ml.g6e（NVIDIA L40S GPU）まで幅広いインスタンスタイプを提供しており、処理能力と予算のバランスを柔軟に調整できます。 ## BoltzGen が提供する機能 BoltzGen は、広範な生体分子ターゲットに結合するタンパク質やペプチドを設計するための全原子生成モデルです。このモデルは拡散プロセスを通じて結合体のバックボーン構造を生成し、その後、逆折りたたみモデルである BoltzIF を用いてアミノ酸配列を生成します。さらに、[Boltz2 折りたたみ予測](https://github.com/jwohlwend/boltz)を用いて構造を検証します。 実装は、GitHub の [Boltzgen on SageMaker リポジトリ](https://github.com/aws-samples/sample-biofm-quickstart/tree/main/models/boltzgen/inference/amazon-sagemaker/boltzgen-on-sagemaker-processing-job-cli) で利用可能です。このリポジトリにはセットアップスクリプト、両方の実行モード、マルチ GPU およびマルチインスタンスのスケーリングサポート、そしてクイックスタートガイドが含まれています。 ## 2 つの実行モード 実装では、研究の異なる段階に最適化された 2 つの実行モードを提供しています。これにより、最初は迅速な実験から始め、必要に応じて本番環境向けのワークフローへと移行できます。 [SageMaker AI processing jobs](https://docs.aws.amazon.com/sagemaker/latest/dg/processing-job.html) は、迅速な実験のための直接バッチ実行を提供します。ジョブを提出すると、SageMaker AI が GPU インスタンスをプロビジョニングし、コンテナを実行して完了後にインスタンスを終了させます。単一の Python スクリプトで全体のワークフローがトリガーされ、多段階のオーケストレーションは不要です。スケーリングアップする前に設計仕様を検証することが目的である初期段階の研究においては、processing jobs はセットアップ時間を最小限に抑えます。 [SageMaker AI Pipelines](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-overview.html) は、ステップレベルのキャッシュ機能、自動スケーリング、および SageMaker AI Studio での可視化モニタリングを備えた、5 つのステップからなるオーケストレーションワークフローを提供します。本番環境のワークロードでは、高価な計算ステップを再実行せずにパラメータの反復処理が可能となります。各ステップ（設計、逆折叠、折りたたみ、分析、フィルタリング）は独立してスケーリングでき、入力に変更がない場合はキャッシュされた結果が再利用されます。 両方のモードは同じワークフローに従います。Amazon ECR からのコンテナがプロビジョニングされた GPU インスタンス上で実行され、BoltzGen が設計仕様を処理し、SageMaker AI は計算リソースをシャットダウンする前に結果を Amazon S3 に保存します。 ## Getting started 始めるには、AWS アカウント、ローカルにインストールされたいくつかのツール、およびデータを格納するための Amazon S3 バケットが必要です。以下のセクションでは、各前提条件について順を追って説明し、その後、最初のタンパク質設計実験へのガイドを行います。 ## Prerequisites 課金が有効化されたアクティブな AWS アカウントを有していること、[AWS Command Line Interface](https://aws.amazon.com/cli/) (AWS CLI) がインストールされ、設定済み（aws configure）であることを確認してください。ターゲットの AWS リージョン（例：us-east-1）において、GPU インスタンス（ml.g4dn.xlarge 以上など）に対して十分なサービスクォータ（本ウォークスルーでは 1 など）が確保されていることを検証してください。 次に、SageMaker AI 用の AWS Identity and Access Management (IAM) 実行ロールを作成します。AmazonSageMakerFullAccess マネージドポリシーをアタッチし、データバケットに対する Amazon S3 の読み取り/書き込みアクセス権限と、BoltzGen コンテナイメージに対する Amazon ECR のプル権限を付与してください。 ローカルマシンでは、pip を備えた Python 3.11 以降、最新の Boto3 および SageMaker SDK (pip install boto3 sagemaker)、およびコンテナイメージの構築用の Docker をインストールします。最後に、対象リージョンに Amazon S3 バケットを作成してください: aws s3 mb s3://amzn-s3-demo-bucket --region ## 最初のタンパク質設計の実行 最もスムーズなセットアップ体験を得るためには、[Amazon SageMaker Studio](https://aws.amazon.com/sagemaker/ai/studio/) または [Amazon SageMaker ノートブック](https://docs.aws.amazon.com/sagemaker/latest/dg/nbi.html) インスタンスの使用を推奨します。これらの環境には、AWS 認証情報、SageMaker SDK、および Docker サポートが事前に設定されています。 ## SageMaker AI Studio の起動 まず、セットアップと実験コマンドを実行する SageMaker AI Studio を開きます。 - SageMaker AI コンソールを開く。 - 左側のナビゲーションから Studio を選択する。 - 新しい Studio ドメインを作成する（存在しない場合）か、既存のものを開き、AWS CLI を使用してローカルモードで Docker アクセスを有効化する。 - インスタンス (例: ml.m5.2xlarge) で JupyterLab スペースを起動する。 - ml.g4dn.xlarge および ml.g5.xlarge の処理ジョブ使用量に対するクォータ制限を 0 より大きく引き上げる。 ## リポジトリのクローン セットアップスクリプト、両方の実行モード、および例示設計仕様を含む、SageMaker AI 上の BoltzGen コードをダウンロードしてください。 git clone https://github.com/aws-samples/sample-biofm-quickstart.git cd sample-biofm-quickstart/models/boltzgen/inference/amazon-sagemaker/boltzgen-on-sagemaker-processing-job-cli ## コンテナイメージのビルドとプッシュ コンテナイメージには、BoltzGen とその依存関係、および GPU ドライバーが含まれています。一度ビルドして、実験全体で再利用できます。リージョンを設定し、ビルドスクリプトを実行してください: export AWS_REGION= ./sagemaker/build_and_push.sh ## AWS 認証情報の設定 SageMaker AI は、計算リソースのプロビジョニングと結果の Amazon S3 への保存のために、AWS アカウントの詳細を必要とします。環境テンプレートをコピーして設定を入力してください: cp sagemaker/pipeline/.env.example sagemaker/pipeline/.env vim sagemaker/pipeline/.env 例示 .env ファイル: AWS_REGION=us-east-1 AWS_S3_BUCKET=amzn-s3-demo-bucket AWS_ROLE_ARN=arn:aws:iam:::role/SageMakerExecutionRole AWS_IMAGE_URI=.dkr.ecr..amazonaws.com/boltzgen-sagemaker:latest これで、2 つのオプションから最初の設計ジョブを実行する準備が整いました: **オプション A:** 単一の処理ジョブで全ステップをクイックに実験: python sagemaker/run_processing_job.py \ --design-spec example/vanilla_protein/1g13prot.yaml \ --s3-bucket amzn-s3-demo-bucket \ --instance-type ml.g4dn.xlarge \ --num-designs 10 \ --budget 2 \ --wait 拡散モデルを使用して、逆折りたたみ、再折りたたみ、分析、フィルタリングを経る生バックボーン構造である 10 の中間候補設計を生成します。実際の実行では、この数は 10,000 から 60,000 とはるかに多いべきです。最終的に多様性を最適化した出力セットには 2 つの設計が含まれます。つまり、10 の中間設計のうち、品質と配列の多様性の両方で最適化された 2 つのみが出力フォルダに格納されます。 **オプション B:** パイプライン内で異なるステップをオーケストレーションする、より本番環境に近いワークフローです。 パイプラインディレクトリへ移動: cd sagemaker/pipeline パイプラインを作成: python run_pipeline.py --config pipeline_config.yaml create 設計仕様で実行: python run_pipeline.py --config pipeline_config.yaml run ステータスを確認（Amazon Resource Name (ARN) を実行 ARN に置き換えてください）: python run_pipeline.py --region us-east-1 status --execution-arn ## 結果のダウンロード 処理ジョブの場合: aws s3 sync s3://amzn-s3-demo-bucket/boltzgen/output/boltzgen-TIMESTAMP ./results パイプラインの場合: aws s3 sync s3://amzn-s3-demo-bucket/boltzgen-pipeline/output/TIMESTAMP ./results 出力ディレクトリには複数のサブディレクトリが含まれています。final_ranked_designs/ には、予測結合親和性に基づいてランク付けされた上位の設計が格納されています。intermediate_designs/ には生成された候補構造が含まれています。metrics/ には、平均二乗偏差（RMSD）や接触スコアなどの構造解析データが保存されています。また、job_metadata.json ファイルには、完全なジョブパラメータとステータスが記録されています。 以下に、--num-designs 100 --budget 10 を指定して 1G13 ターゲットに対して実行した際の出力構造を示すディレクトリツリーを記載します： results/1g13prot/ ├── final_ranked_designs/ │ ├── final_10_designs/ # 多様性と品質に基づいて選択された上位設計 (.cif) │ ├── intermediate_ranked_10_designs/ # 品質スコアでランク付けされた上位設計 (.cif) │ ├── all_designs_metrics.csv # すべての設計に対する完全なメトリクステーブル │ ├── final_designs_metrics_10.csv # 最終的に選択された設計のメトリクス │ └── results_overview.pdf # フィルタリング基準とプロットを含むサマリーレポート ├── intermediate_designs/ # 生成されたすべてのバックボーン構造 (.cif) ├── intermediate_designs_inverse_folded/ # 配列設計および再折りたたみ後の構造 └── config/ 再現性のために使用されたステップ構成 BoltzGen は生成されたすべての設計を自動的にフィルタリングし、ランク付けします。各設計は、リフォールディング後の RMSD が 2.5 オングストローム未満であり、アミノ酸組成がバランスしているなどの構造的品質の閾値に合格してから、ランキング段階に進みます。今回の実行では、100 の設計のうち 3 つがすべてのフィルタを通過しました。その後、パイプラインは複合的な品質スコアに基づいて設計をランク付けし、多様性最適化を適用して最終セットを選択します。 以下の表には、主要な指標を持つ上位 5 つの設計を示しています。高い design_ptm および design_iptm スコアは、より大きな構造的自信と結合強度を示します。低い filter_rmsd は、リフォールディング後のより優れた構造的精度を意味し、高い delta_sasa はより広い結合界面を示します。 **id** **Rank** **design_ptm** **design_iptm** **filter_rmsd** **delta_sasa** 1g13prot_24 1 0.760 0.304 2.24 584.7 1g13prot_37 2 0.732 0.275 1.98 657.4 1g13prot_21 3 0.748 0.159 2.49 535.7 1g13prot_06 4 0.736 0.426 1.34 1598.0 1g13prot_59 5 0.763 0.527 1.05 2369.0 各最終設計は、ランクプレフィックス（例：rank001_1g13prot_24.cif）付きの .cif 構造ファイルとして保存され、下流の解析または実験的検証に備えています。 最初のエクスペリメントが完了しましたので、以下のセクションでは、SageMaker AI 上の BoltzGen が内部でどのように動作するかを解説し、特定のニーズに合わせてアーキテクチャを最適化する方法を探ります。 ## 仕組みの理解 両方の実行モード背後にあるアーキテクチャとスケーリング機能を理解することで、適切なインスタンスタイプを選択し、単一インスタンス構成とマルチインスタンス構成の間で判断できるようになります。また、コスト削減のためにキャッシングを最大限に活用する方法も把握できます。 ## アーキテクチャ 処理ジョブモード（単一ステップバッチ）では、SageMaker AI が、ジョブの提出後に、インスタンスのプロビジョニング、コンテナの実行、Amazon S3 におけるデータ移動、およびクリーンアップを調整します。ワークフローは以下の手順に従います： ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/06/17/ML-20375-1.png) - 設計仕様（YAML）と参照構造ファイルを準備します。 - ファイルを Amazon S3 にアップロードします。SageMaker AI は、Amazon S3 の入力データをコンテナにマウントします。 - BoltzGen が設計を行い、結果を再び Amazon S3 に書き込みます。 - 最終結果を Amazon S3 からダウンロードします。 パイプラインモード（5 ステップワークフロー）では、パイプラインは 5 つの連続するステップを実行し、各ステップを個別にスケーリングできます： ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/06/17/ML-20375-2.png) - デザイン (GPU): Diffusion モデルが結合体バックボーン構造を生成します。 - 逆フォールディング (GPU): BoltzIF がアミノ酸配列を生成します。 - フォールディング (GPU): Boltz2 が複合体構造を検証します。 - 解析 (CPU): 構造的指標（RMSD、溶媒アクセス表面積 (SASA)、および接触点）を計算します。 - フィルタリング (CPU): 上位の設計案をランク付けし選択します。 あなたのパイプラインは、各ステップの出力を Amazon S3 にキャッシュし、有効期限を 7 日に設定しています。入力に変更がない場合、キャッシュされた結果が自動的に再利用されるため、フィルタリングパラメータの反復処理を行う際にも、コストのかかる設計生成ステップは完全にスキップされます。 ## GPU およびインスタンス間でのスケーリング SageMaker AI 上の BoltzGen は、コストとスループットをバランスさせるのに役立つ 2 つの補完的なスケーリング戦略をサポートしています。 マルチ GPU 並列化は、ラウンドロビンスケジューリングを通じて単一インスタンス内の GPU 間で設計仕様を分散します。各 GPU は、Python の組み込み並列処理ライブラリである ProcessPoolExecutor を使用して割り当てられた仕様を独立して処理し、ProgressTracker クラスによるスレッドセーフな進捗追跡を行います。GPU の検出は nvidia-smi を通じて自動的に行われます。 例えば、4 つの GPU を備えた ml.g5.12xlarge インスタンスでは、10 件の設計仕様が以下のように分散されます： 10 件の設計仕様 -> GPU0: 仕様 0,4,8 | GPU1: 仕様 1,5,9 | GPU2: 仕様 2,6 | GPU3: 仕様

Amazon SageMaker AI で BoltzGen を活用し、タンパク質設計を加速

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト