OpenFold3 kommt auf SageMaker JumpStart und bringt die Vorhersage biomolekularer Strukturen in die AWS-Cloud

OpenFold3, das offene Modell zur Vorhersage biomolekularer Strukturen, ist jetzt auf Amazon SageMaker JumpStart verfügbar. Amazon gab die Verfügbarkeit am 13. November 2026 bekannt: Mit wenigen Codezeilen können Forschungsteams das Modell im eigenen AWS-Konto bereitstellen und die 3D-Struktur von Proteinen, DNA, RNA, Liganden und den Komplexen, die sie bilden, vorhersagen.

Was OpenFold3 vorhersagt

OpenFold3 wurde vom OpenFold Consortium und dem AlQuraishi Lab der Columbia University entwickelt und ist ein All-Atom-Modell zur Strukturvorhersage: Es sagt die gemeinsame dreidimensionale Struktur einer Gruppe von Molekülen aus ihren Sequenzen voraus. Anders als Modelle, die auf eine einzelne Proteinkette beschränkt sind, faltet es Mehrkettenkomplexe, Protein–Nukleinsäure-Komplexe und Protein–Ligand-Komplexe in einer einzigen Vorhersage. Liganden werden als kleine Moleküle in SMILES angegeben, die Ergebnisse kommen im mmCIF-Format mit Konfidenzmetriken wie pLDDT, PAE, pTM und ipTM.

Verfügbar ist OpenFold3 0.4.1 mit dem Checkpoint of3-p2-155k, von den Entwicklern als Forschungsvorschau beschrieben. Code, Gewichte, Trainingsdaten und Methoden stehen unter der Apache-2.0-Lizenz, sodass das Modell geprüft, angepasst und weiterentwickelt werden kann.

Warum die Bereitstellung asynchron ist

Eine Struktur vorherzusagen dauert Minuten, nicht Millisekunden — und die Zeit wächst mit der Größe der Moleküle. Deshalb läuft OpenFold3 auf JumpStart mit asynchroner Inferenz: Die Anfrage geht an Amazon S3, der Endpunkt verarbeitet sie aus einer Warteschlange und liefert das Ergebnis, mit einem Timeout von bis zu einer Stunde. Der Dienst nimmt Stapel von Vorhersagen an, skaliert automatisch und kann auf null Instanzen herunterskalieren, wenn die Warteschlange leer ist, damit keine untätigen GPUs bezahlt werden. Standardmäßig erzeugt jede Anfrage fünf Diffusionssamples, und ein Sample-Ranking-Score hilft bei der Auswahl des besten.

Der Endpunkt läuft mit Netzwerkisolation, was hilft, die Sequenzen im eigenen AWS-Konto zu halten — wichtig für Labore mit proprietären Sequenzen. Eigene Multiple-Sequence-Alignments (MSAs) können ebenfalls übergeben werden: In AWS’ Beispiel hob das Alignment die mittlere Konfidenz (pLDDT) eines Komplexes von 30 auf 98. AWS weist jedoch selbst darauf hin, dass dieser Komplex gut untersucht ist und wahrscheinlich in den Trainingsdaten steckt; der Test zeigt also den Arbeitsablauf, nicht die Leistung bei neuen Zielen.

Wozu es dient

Laut AWS nutzen Teams der computergestützten Wirkstoffforschung die Strukturvorhersage bereits als Kern ihrer Arbeit: Zielidentifizierung, Antikörper- und Protein-Engineering sowie strukturbasiertes virtuelles Screening. Bisher erforderte der Betrieb solcher Modelle GPU-Infrastruktur, einen CUDA- und PyTorch-Stack, große Checkpoints und eine Serving-Schicht für lang laufende Anfragen. JumpStart bündelt all das in einem von AWS gepflegten Container auf ml.g6.2xlarge-, ml.g6.4xlarge- (Standard) und ml.g6.12xlarge-Instanzen, mit bis zu vier parallelen Vorhersagen auf der größten Instanz.

Das Modell ist im JumpStart-Katalog als huggingface-proteinfolding-openfold3 gelistet. AWS erinnert daran, dass Endpunkte pro Instanzstunde berechnet werden, solange sie laufen — auch im Leerlauf. Daher die Empfehlung, Scale-to-Zero zu konfigurieren oder den Endpunkt nach den Experimenten zu löschen.

Quellen

AWS Machine Learning Blog — OpenFold3 on Amazon SageMaker JumpStart: Predict biomolecular structures (13.11.2026, auf Englisch).

AWS What's New — granite-speech-4.1-2b, kanana-2-30b-a3b-instruct, and OpenFold3 models now available on Amazon SageMaker JumpStart (auf Englisch).

Dieser Text wurde mit Hilfe künstlicher Intelligenz erstellt und mit öffentlichen Beiträgen auf X sowie Internetquellen abgeglichen. Die Informationen wurden anhand der zitierten Originalquellen geprüft, können sich aber mit neuen Ankündigungen ändern — prüfen Sie vor dem Teilen immer die Originalquellen.

Von Muse