Как собрать разговорного ассистента для исследования белков с Amazon Bedrock AgentCore

Исследователи белков регулярно сталкиваются с трудоемкой задачей. Чтобы найти структурно похожие пептиды среди тысяч последовательностей, приходится перебирать данные вручную. Это занимает много времени и требует серьезной экспертизы, иначе результаты сложно корректно интерпретировать. Подход с разговорным ассистентом упрощает этот процесс: поиск, анализ и интерпретация данных объединяются в одном интерфейсе. Пользователь формулирует запрос на естественном языке, система сама создает эмбеддинги и формирует научные сводки по найденным результатам.

Как сообщает AWS Machine Learning Blog, один из примеров такой системы строится вокруг агента, который связывает несколько ключевых задач. Он разбирает пользовательские запросы на естественном языке и извлекает из них структурированные параметры поиска, затем выполняет векторный поиск по эмбеддингам белков с помощью специализированной языковой модели и после этого генерирует научное резюме результатов. Архитектура опирается на Strands Agents SDK, который координирует специализированные инструменты внутри одного агента, развернутого в Amazon Bedrock AgentCore. Эмбеддинги пептидов при этом хранятся в Amazon Aurora PostgreSQL-Compatible Edition с расширением pgvector.

Интерфейс реализован на Streamlit и работает на AWS Fargate. Он отправляет пользовательские запросы в среду AgentCore и возвращает структурированные результаты, включая таблицы, которые можно скачать. В работе агент использует модель Anthropic Claude Sonnet 4.6 через Bedrock Converse API. Для поиска применяется модель ESM-C 300M, развернутая как serverless endpoint в Amazon SageMaker AI. После этого выполняется поиск по косинусному сходству в Amazon Aurora PostgreSQL с pgvector и дополнительной фильтрацией по метаданным. Затем отдельный инструмент‑суммаризатор анализирует найденные данные и формирует краткие научные выводы, а также предложения для дальнейшего исследования.