Construya un asistente de investigación de descubrimiento de fármacos utilizando agentes de hilos y roca causa de Amazon

El descubrimiento de fármacos es un proceso complicado y intensivo en el tiempo que requiere que los investigadores naveguen enormes cantidades de humanidades científica, datos de ensayos clínicos y bases de datos moleculares. A los clientes de ciencias de la vida les gusta Genentech y Astrazeneca están utilizando agentes de IA y otras herramientas generativas de IA para aumentar la velocidad del descubrimiento irrefutable. Los constructores de estas organizaciones ya están utilizando las características totalmente administradas de Roca causa de Amazon para implementar rápidamente flujos de trabajo específicos del dominio Para una variedad de casos de uso, desde la identificación del objetivo del fármaco temprano hasta la décimo del proveedor de atención médica.

Sin confiscación, los casos de uso más complejos podrían beneficiarse al usar el código amplio Strands Agentes SDK. Los agentes de Strands adoptan un enfoque impulsado por el maniquí para desarrollar y ejecutar agentes de IA. Funciona con la mayoría de los proveedores de modelos, incluidas las puertas de enlace del maniquí de habla espacioso personalizado e interno (LLM), y los agentes se pueden implementar donde aloje una aplicación de Python.

En esta publicación, demostramos cómo crear un poderoso asistente de investigación para el descubrimiento de drogas utilizando agentes de hilos y Roca causa de Amazon. Este asistente de IA puede apañarse múltiples bases de datos científicas simultáneamente utilizando el Protocolo de contexto maniquí (MCP)sintetice sus hallazgos y genere informes completos sobre objetivos farmacológicos, mecanismos de enfermedades y áreas terapéuticas. Este asistente está acondicionado como ejemplo en la fuente abierta. Kit de herramientas de agente de vitalidad y ciencias de la vida para que lo uses y adaptas.

Descripción caudillo de la posibilidad

Esta posibilidad utiliza agentes de hilos para conectar modelos de cimientos de parada rendimiento (FMS) con fuentes comunes de datos de ciencias de la vida como arxiv, Pubmedy Químico. Demuestra cómo crear servidores MCP rápidamente para consultar datos y ver los resultados en una interfaz de conversación.

Agentes de IA pequeños y enfocados que trabajan juntos a menudo puede producir mejores resultados que un solo agente monolítico. Esta posibilidad utiliza un equipo de subgestados, cada uno con sus propios FM, instrucciones y herramientas. El futuro diagrama de flujo muestra cómo el agente del orquestador (que se muestra en naranja) maneja las consultas de los usuarios y las enruta a los subgentales para recuperación de información (verde) o planificación, síntesis y reproducción de informes (púrpura).

Esta publicación se centra en la construcción con hilos agentes en su entorno de mejora restringido. Consulte el Documentación de agentes de hilos para desplegar agentes de producción en AWS Lambda, AWS Fargate, Servicio de Kubernetes de Amazon Elastic (Amazon EKS), o Abundancia de cuenta elástica de Amazon (Amazon EC2).

En las siguientes secciones, mostramos cómo crear el asistente de investigación en agentes de hilos definiendo una FM, herramientas de MCP y subciburentes.

Requisitos previos

Esta posibilidad requiere Python 3.10+, hilosy varios paquetes adicionales de Python. Recomendamos insistentemente usar un entorno aparente como Venv o uva para cuidar estas dependencias.

Complete los siguientes pasos para implementar la posibilidad a su entorno restringido:

Clonar el repositorio de código de Github.
Instale las dependencias de Python requeridas con pip install -r requirements.txt.
Configure sus credenciales de AWS por establecerlos como variables de entorno, Agregarlos a un archivo de credencialeso siguiendo a otro proceso compatible.
Guarde su esencia API Tavily en un archivo .env en el futuro formato: TAVILY_API_KEY="YOUR_API_KEY".

Tu además necesitas comunicación A los siguientes FMS en su cuenta de Amazon Bedrock en su cuenta de AWS:

Soneto Claude 3.7 de Anthrope
Soneto Claude 3.5 de Anthrope
Claude 3.5 Haiku de Anthrope

Detallar el maniquí de colchoneta

Comenzamos definiendo una conexión con un FM en Amazon Bedrock usando los agentes de los hilos BedrockModel clase. Utilizamos el soneto Claude 3.7 de Anthrope como el maniquí predeterminado. Vea el futuro código:

from strands import Agent, tool
from strands.models import BedrockModel
from strands.agent.conversation_manager import SlidingWindowConversationManager
from strands.tools.mcp import MCPClient
# Model configuration with Strands using Amazon Bedrock's foundation models
def get_model():
    model = BedrockModel(
        boto_client_config=Config(
            read_timeout=900,
            connect_timeout=900,
            retries=dict(max_attempts=3, mode="adaptive"),
        ),
        model_id="us.anthropic.claude-3-7-sonnet-20250219-v1:0",
        max_tokens=64000,
        temperature=0.1,
        top_p=0.9,
        additional_request_fields={
            "thinking": {
                "type": "disabled"  # Can be enabled for reasoning mode
            }
        }
    )
    return model

Detallar herramientas de MCP

MCP proporciona un estereotipado sobre cómo las aplicaciones de IA interactúan con sus entornos externos. Ya existen miles de servidores MCP, incluidos los de herramientas y conjuntos de datos de ciencias de la vida. Esta posibilidad proporciona servidores MCP de ejemplo para:

arxiv -Repositorio de artículos de comunicación amplio de artículos académicos
Pubmed -Citas revisadas por pares para la humanidades biomédica
Químico -Almohadilla de datos curada de moléculas bioactivas con propiedades de fármaco
Clinicaltrials.gov – Almohadilla de datos del gobierno de los Estados Unidos de estudios de investigación clínica
Búsqueda web tavily – API para encontrar parte recientes y otros contenidos de la Internet pública

Los agentes de hilos racionalizan la definición de clientes de MCP para nuestro agente. En este ejemplo, se conecta a cada útil utilizando E/S estereotipado. Sin confiscación, los agentes de hilos además admiten Servidores MCP remotos con transporte de eventos de HTTP transmitidos. Vea el futuro código:

# MCP Clients for various scientific databases
tavily_mcp_client = MCPClient(lambda: stdio_client(
    StdioServerParameters(command="python", args=("application/mcp_server_tavily.py"))
))
arxiv_mcp_client = MCPClient(lambda: stdio_client(
    StdioServerParameters(command="python", args=("application/mcp_server_arxiv.py"))
))
pubmed_mcp_client = MCPClient(lambda: stdio_client(
    StdioServerParameters(command="python", args=("application/mcp_server_pubmed.py"))
))
chembl_mcp_client = MCPClient(lambda: stdio_client(
    StdioServerParameters(command="python", args=("application/mcp_server_chembl.py"))
))
clinicaltrials_mcp_client = MCPClient(lambda: stdio_client(
    StdioServerParameters(command="python", args=("application/mcp_server_clinicaltrial.py"))
))

Detallar sub-agentes especializados

El agente de planificación analiza las preguntas de los usuarios y crea un plan para el que los subcáscedes y herramientas para usar:

@tool
def planning_agent(query: str) -> str:
    """
    A specialized planning agent that analyzes the research query and determines
    which tools and databases should be used for the investigation.
    """
    planning_system = """
    You are a specialized planning agent for drug discovery research. Your role is to:
    
    1. Analyze research questions to identify target proteins, compounds, or biological mechanisms
    2. Determine which databases would be most relevant (Arxiv, PubMed, ChEMBL, ClinicalTrials.gov)
    3. Generate specific search queries for each relevant database
    4. Create a structured research plan
    """
    model = get_model()
    planner = Agent(
        model=model,
        system_prompt=planning_system,
    )
    response = planner(planning_prompt)
    return str(response)

Del mismo modo, el agente de síntesis integra los hallazgos de múltiples fuentes en un solo referencia integral:

@tool
def synthesis_agent(research_results: str) -> str:
    """
    Specialized agent for synthesizing research findings into a comprehensive report.
    """
    system_prompt = """
    You are a specialized synthesis agent for drug discovery research. Your role is to:
    
    1. Integrate findings from multiple research databases
    2. Create a comprehensive, coherent scientific report
    3. Highlight key insights, connections, and opportunities
    4. Organize information in a structured format:
       - Executive Summary (300 words)
       - Target Overview
       - Research Landscape
       - Drug Development Status
       - References
    """
    model = get_model()
    synthesis = Agent(
        model=model,
        system_prompt=system_prompt,
    )
    response = synthesis(synthesis_prompt)
    return str(response)

Defina el agente de orquestación

Igualmente definimos un agente de orquestación para coordinar todo el flujo de trabajo de investigación. Este agente usa el SlidingWindowConversationManager Clase de los agentes de hilos para acumular los últimos 10 mensajes en la conversación. Vea el futuro código:

def create_orchestrator_agent(
    history_mode,
    tavily_client=None,
    arxiv_client=None,
    pubmed_client=None,
    chembl_client=None,
    clinicaltrials_client=None,
):
    system = """
    You are an orchestrator agent for drug discovery research. Your role is to coordinate a multi-agent workflow:
    
    1. COORDINATION PHASE:
       - For simple queries: Answer directly WITHOUT using specialized tools
       - For complex research requests: Initiate the multi-agent research workflow
    
    2. PLANNING PHASE:
       - Use the planning_agent to determine which databases to search and with what queries
    
    3. EXECUTION PHASE:
       - Route specialized search tasks to the appropriate research agents
    
    4. SYNTHESIS PHASE:
       - Use the synthesis_agent to integrate findings into a comprehensive report
       - Generate a PDF report when appropriate
    """
    # Aggregate all tools from specialized agents and MCP clients
    tools = (planning_agent, synthesis_agent, generate_pdf_report, file_write)
    # Dynamically load tools from each MCP client
    if tavily_client:
        tools.extend(tavily_client.list_tools_sync())
    # ... (similar for other clients)
    conversation_manager = SlidingWindowConversationManager(
        window_size=10,  # Maintains context for the last 10 exchanges
    )
    orchestrator = Agent(
        model=model,
        system_prompt=system,
        tools=tools,
        conversation_manager=conversation_manager
    )
    return orchestrator

Caso de uso de ejemplo: explore la investigación fresco del cáncer de mama

Para probar el nuevo asistente, inicie la interfaz de chat ejecutando Streamlit Ej. La futuro captura de pantalla muestra una conversación típica con el agente de investigación. En este ejemplo, le preguntamos al asistente: «Genere un referencia para HER2 que incluya parte recientes, investigaciones recientes, compuestos relacionados y ensayos clínicos en curso». El asistente primero desarrolla un plan de investigación integral utilizando las diversas herramientas a su disposición. Decide comenzar con una búsqueda web de parte recientes sobre HER2, así como artículos científicos sobre PubMed y ARXIV. Igualmente analiza los compuestos relacionados con HER2 en ChemBL y ensayos clínicos en curso. Sintetiza estos resultados en un solo referencia y genera un archivo de salida de sus hallazgos, incluidas las citas.

El futuro es un extracto de un referencia generado:

Comprehensive Scientific Report: HER2 in Breast Cancer Research and Treatment
1. Executive Summary
Human epidermal growth negociador receptor 2 (HER2) continues to be a critical target in breast cancer research and treatment development. This report synthesizes recent findings across the HER2 landscape highlighting significant advances in understanding HER2 biology and therapeutic approaches. The emergence of antibody-drug conjugates (ADCs) represents a paradigm shift in HER2-targeted therapy, with trastuzumab deruxtecan (T-DXd, Enhertu) demonstrating remarkable efficacy in both early and advanced disease settings. The DESTINY-Breast11 trial has shown clinically meaningful improvements in pathologic complete response rates when T-DXd is followed by standard therapy in high-risk, early-stage HER2+ breast cancer, potentially establishing a new treatment paradigm.

En particular, no tiene que determinar un proceso paso a paso para alcanzar esta tarea. Al proporcionar al asistente una directorio adecuadamente documentada de herramientas, puede osar qué usar y en qué orden.

Duchar

Si siguió este ejemplo en su computadora restringido, no creará nuevos posibles en su cuenta de AWS que necesita quitar. Si implementó el asistente de investigación utilizando uno de esos servicios, consulte la documentación del servicio relevante para obtener instrucciones de inocencia.

Conclusión

En esta publicación, mostramos cómo los agentes de Strands optimizan la creación de poderosos asistentes de IA específicos de dominio. Le recomendamos que pruebe esta posibilidad con sus propias preguntas de investigación y la amplíe con nuevas herramientas científicas. La combinación de las capacidades de orquestación de los agentes de los Strands, las respuestas de transmisión y la configuración flexible con los potentes modelos de habla de Amazon Bedrock crean un nuevo muestra para la investigación asistida por AI-AI. A medida que el bombeo de información científica continúa creciendo exponencialmente, marcos como los agentes de hilos se convertirán en herramientas esenciales para el descubrimiento de fármacos.

Para obtener más información sobre la construcción de agentes inteligentes con agentes de hilos, consulte Inclusión de agentes de hilos, un código amplio de IA Agentes SDK, Strands Agentes SDKy el Repositorio de Github. Igualmente puedes encontrar más Agentes de muestra para la atención médica y las ciencias de la vida Construido en Amazon Bedrock.

Para obtener más información sobre la implementación de soluciones de IA para el descubrimiento de drogas en AWS, visítenos en AWS For Life Sciences.

Sobre los autores

Hasun Yu es un arquitecto de soluciones especializadas de IA/ML con una amplia experiencia en el diseño, el mejora y la implementación de soluciones de IA/ML para la atención médica y las ciencias de la vida. Apoya la apadrinamiento de servicios avanzados de AWS AI/ML, incluida la IA generativa y agente.

Brian honrado es un arquitecto principal de soluciones de IA/ML en el equipo mundial de ciencias de la vitalidad y la vida en Amazon Web Services. Tiene más de 20 primaveras de experiencia en biotecnología y estudios maquinal y le apasiona usar la IA para mejorar la vitalidad y el bienestar humano.

Etiquetado agentes, Amazon, asistente, Construya, Descubrimiento, fármacos, hilos, investigación, madre, roca, utilizando