Copiloto de investigación de proteínas con Amazon Bedrock AgentCore

Introducción

La búsqueda manual de péptidos similares entre miles de secuencias es lenta, propensa a errores y exige experiencia especializada. Un copiloto de investigación de proteínas puede cambiar ese panorama al permitir consultas en lenguaje natural, generación automática de embeddings y resúmenes científicos generados por IA dentro de una sola interfaz conversacional. En este artículo adaptamos una solución técnica basada en Amazon Bedrock AgentCore que integra tres capacidades clave: análisis de consultas en lenguaje natural, búsqueda por similitud vectorial de embeddings proteicos y generación de resúmenes científicos.

¿Por qué un copiloto para investigación de proteínas?

Investigadores en biología estructural, virología y diseño de péptidos suelen enfrentar grandes colecciones de secuencias. Preguntas como “Encuentra 10 péptidos similares al péptido del dengue LPAIVREAI” requieren no solo una búsqueda por secuencia sino también interpretación funcional y priorización de resultados. Un copiloto conversacional permite:

• Formular búsquedas en lenguaje natural y convertirlas en parámetros estructurados.
• Ejecutar búsquedas por similitud en espacio de embeddings que capturan propiedades estructurales y funcionales sin depender exclusivamente del alineamiento de secuencias.
• Recibir resúmenes científicos y sugerencias para pasos siguientes desde el mismo flujo conversacional.

Esto acelera ciclos de hipótesis y facilita la adopción por equipos multidisciplinarios, algo especialmente valioso para laboratorios y centros de investigación en América Latina que buscan escalar análisis sin multiplicar la carga operativa.

Arquitectura y componentes principales

La solución sigue un patrón de uso de herramientas (tool-use) orquestado por un agente Strands dentro de un runtime de Amazon Bedrock AgentCore. La arquitectura tiene cinco componentes principales:

1. Frontend conversacional: una interfaz Streamlit desplegada en AWS Fargate que recibe las consultas y muestra resultados con opciones de descarga.
2. AgentCore runtime: un Strands agent que usa Anthropic Claude Sonnet 4.6 a través del Bedrock Converse API y coordina las herramientas disponibles.
3. Herramienta parser: un sub-agente LLM que extrae parámetros estructurados de consultas en lenguaje natural (secuencia, filtro por especie, límite de resultados).
4. Herramienta searcher: genera embeddings proteicos usando ESM-C 300M desplegado en Amazon SageMaker AI como endpoint serverless y ejecuta búsqueda por similitud (cosine) contra Amazon Aurora PostgreSQL con pgvector.
5. Herramienta summarizer: otro sub-agente que produce resúmenes científicos y recomendaciones basadas en los resultados recuperados.

Diseñar cada capacidad como una herramienta separada mantiene una clara separación de responsabilidades y facilita mantenimiento y auditoría.

Cómo funcionan las tres herramientas

Parser: al recibir una consulta libre (por ejemplo, “Encuentra 10 péptidos similares al péptido del dengue LPAIVREAI”), el parser-actúa como un agente especializado que extrae la secuencia de interés, los filtros por especie o dataset y el número de resultados. Esto convierte la intención humana en parámetros estructurados que otras herramientas pueden consumir.

Searcher: toma la secuencia objetivo y pide al endpoint de ESM-C 300M que devuelva un embedding. La búsqueda se realiza en Aurora PostgreSQL con pgvector mediante una consulta que combina similitud por coseno y filtros de metadatos (p. ej., especie o origen del epítopo) en una sola operación.

Summarizer: tras recuperar los candidatos más similares, este sub-agente genera un resumen científico conciso que contextualiza las similitudes encontradas y sugiere pasos experimentales o de validación. El resultado se presenta en la interfaz junto con tablas descargables.

Embeddings con ESM-C 300M

El corazón de la búsqueda por similitud es ESM-C 300M, un modelo de lenguaje para proteínas que produce embeddings de 960 dimensiones. Embeddings cercanos en el espacio vectorial suelen corresponder a péptidos con funciones biológicas o propiedades estructurales similares, lo que permite recuperar candidatos relevantes sin realizar alineamientos completos.

Para producción, ESM-C 300M se despliega como endpoint serverless de Amazon SageMaker AI. La configuración serverless escala a cero cuando está inactivo, evitando costos entre invocaciones. Un aspecto práctico: los pesos del modelo se empaquetan en el artefacto de despliegue para no descargar desde repositorios externos en tiempo de inferencia, reduciendo latencia en arranques en frío—un punto importante para endpoints serverless.

El flujo de inferencia promedio es: secuencia de entrada → codificación por el modelo → extracción de embedding mediante mean-pooling → embedding de 960 dimensiones retornado para la búsqueda.

Implementación y requisitos

Para reproducir la solución se necesitan los siguientes prerequisitos:

• Cuenta de AWS con acceso a Amazon Bedrock (p. ej., Anthropic Claude Sonnet 4.6).
• Python 3.12 o posterior.
• AWS CLI configurado con credenciales apropiadas.
• Permisos IAM para Bedrock, SageMaker AI, Amazon Aurora, Amazon ECS y AWS CodeBuild.
• bedrock-agentcore-starter-toolkit (pip install bedrock-agentcore-starter-toolkit).
• El dataset IEDB de epítopos virales como ejemplo de entradas.

Tiempo estimado de despliegue: 30–45 minutos. Revisen las páginas de precios de Bedrock, SageMaker AI, Aurora Serverless v2 y Fargate para estimar costos.

Beneficios para investigadores y equipos en América Latina

• Democratización del acceso a análisis avanzados: equipos con menos recursos computacionales pueden aprovechar endpoints serverless y servicios gestionados en la nube.
• Agilidad en respuesta a problemas locales de salud pública: por ejemplo, búsquedas rápidas de péptidos relacionados con virus endémicos (dengue, zika) ayudan a priorizar experimentos.
• Menor dependencia de experiencia técnica en infraestructuras complejas: la separación en herramientas facilita que biólogos y tomadores de decisión utilicen capacidades avanzadas sin programar cada componente.

Además, adoptar un enfoque reproducible y modular facilita colaboraciones entre universidades, laboratorios estatales y startups biotecnológicas en la región.

Consideraciones operativas y de costos

Aunque los componentes serverless ofrecen ventajas de escalabilidad y pago por uso, los equipos deben planear estrategias de gobernanza: manejo de accesos, trazabilidad de consultas, control de versiones del modelo y políticas para compartir o reproducir resultados. También conviene auditar el rendimiento del endpoint ESM-C 300M y el diseño del índice pgvector para mantener latencias adecuadas cuando la base de datos crece.

Conclusión

Construir un copiloto de investigación de proteínas con Bedrock AgentCore, SageMaker AI y Aurora pgvector permite transformar búsquedas complejas en flujos conversacionales eficientes. La combinación de parsing por LLM, embeddings proteicos (ESM-C 300M) y resúmenes científicos en un único runtime facilita la experimentación y acelera la generación de descubrimientos, una ventaja tangible para equipos de investigación en América Latina que buscan maximizar impacto con recursos ajustados. Siguiendo los pasos y requisitos descritos, pueden desplegarse prototipos en 30–45 minutos y escalar según las necesidades del proyecto.