معماری AWS برای پایش هوشمند مقاومت آنتی‌بیوتیکی معرفی شد
به گزارش وبلاگ معماری AWS، یک معماری مرجع تازه با ترکیب AWS HealthOmics و Amazon Bedrock AgentCore معرفی شده است که داده‌های عمومی توالی‌یابی را به پاسخ‌های قابل فهم درباره ژن‌های مقاومت ضدمیکروبی تبدیل می‌کند. این راهکار برای پژوهشگران و تیم‌های پایش طراحی شده تا بدون نوشتن کدهای بیوانفورماتیک یا SQL، داده‌ها را بررسی کنند؛ با این حال AWS تأکید دارد که این طرح نمایشی است و یک سامانه بالینی محسوب نمی‌شود.
از داده خام تا شناسایی ژن مقاومت
فرایند با واردکردن شناسه عمومی SRA در یک برنامه وب آغاز می‌شود. AWS Step Functions جریان کار را اجرا می‌کند و یک وظیفه Amazon ECS روی AWS Fargate داده توالی‌یابی را از نسخه آینه‌ای NCBI SRA در Registry of Open Data on AWS دریافت و به FASTQ تبدیل می‌کند. Amazon DynamoDB نیز نمونه‌های پردازش‌شده را ثبت می‌کند تا اجرای دوباره، کار تکراری ایجاد نکند.
پردازش ژنومی در AWS HealthOmics و در قالب یک جریان کاری مدیریت‌شده Nextflow انجام می‌شود. ابزار fastp کنترل کیفیت و پاک‌سازی خوانش‌ها را بر عهده دارد، SKESA ژنوم را به‌صورت de novo مونتاژ می‌کند و AMRFinderPlus کانتیگ‌ها را برای یافتن ژن‌های شناخته‌شده مقاومت بررسی می‌کند. از آنجا که وظایف HealthOmics به اینترنت دسترسی ندارند، پایگاه مرجع AMRFinderPlus درون تصویر کانتینر قرار گرفته است.
سپس یک تابع AWS Lambda خروجی را با استاندارد hAMRonization هماهنگ می‌کند و AWS Glue داده‌ها را به‌صورت بدون ایجاد ردیف‌های تکراری در جداول Apache Iceberg روی Amazon S3 Tables ادغام می‌کند. Amazon Athena نیز لایه پرس‌وجوی تحلیلی این داده‌های ساخت‌یافته را فراهم می‌سازد.
پرس‌وجوی محاوره‌ای با پاسخ‌های مستند
در لایه کاربری، یک عامل مبتنی بر Strands Agents SDK روی AgentCore Runtime درخواست‌های زبان طبیعی را به پرس‌وجوهای هدفمند Athena تبدیل می‌کند. پژوهشگر می‌تواند درباره ژن‌های یافت‌شده در یک ارگانیسم، روند ماهانه شناسایی‌ها، تفاوت نمونه‌ها یا جزئیات یک ژن سؤال کند. عامل موظف است برای هر ادعا شناسه ژن، ابزار تشخیص و مقدار اطمینان موجود در داده را ارائه دهد و در نبود شواهد، از حدس‌زدن خودداری کند. Amazon Bedrock Guardrails نیز پاسخ‌ها را به نتایج بازیابی‌شده محدود می‌کند و مانع ورود سامانه به توصیه‌های پزشکی یا مربوط به بیمار می‌شود.
کل معماری با AWS Cloud Development Kit تعریف شده و طبق اعلام AWS با یک فرمان در حساب کاربر مستقر می‌شود. برای تیم‌های زیرساخت ابری، ارزش اصلی این الگو در اتصال پردازش سنگین ژنومی، ذخیره‌سازی تراکنشی و دسترسی محاوره‌ای در یک جریان مدیریت‌شده است؛ هرچند هزینه نهایی به تعداد نمونه‌ها، دفعات اجرای Glue و میزان استفاده از عامل بستگی دارد.
این معماری نشان می‌دهد سرویس‌های مدیریت‌شده ابری چگونه می‌توانند فاصله میان داده خام و تحلیل قابل استفاده را کاهش دهند. کاربرد عملی آن همچنان نیازمند ارزیابی تخصصی، کنترل‌های امنیتی و اعتبارسنجی متناسب با محیط پژوهشی است.
