O Instituto Buck para Pesquisa sobre Envelhecimento é um líder global dedicado ao prolongamento da vida humana saudável e ao avanço da pesquisa sobre doenças relacionadas à idade, como Alzheimer e Parkinson.
Com o objetivo de acelerar descobertas, o instituto realizou parceria com a Compass UOL e a AWS para modernizar a abordagem de pesquisa orientada por dados, criando uma prova de conceito com Amazon SageMaker Canvas — um ambiente de machine learning no-code que permite que cientistas construam modelos e gerem insights, mesmo sem conhecimento em programação.
A análise de dados complexos do Fox Insight — incluindo metadados de participantes e dados de microbioma — demandava habilidades técnicas que grande parte dos pesquisadores não possuía. Com isso, a velocidade para testar hipóteses e gerar insights era limitada.
A equipe de pesquisa do Buck Institute sobre Parkinson buscava revelar correlações entre hábitos de atividade física e a composição do microbioma intestinal, mas a preparação e a análise manual dos dados dificultavam escalar experimentos, visualizar padrões e validar descobertas com eficiência.
O objetivo: criar uma plataforma acessível e unificada para que pesquisadores pudessem explorar dados do Fox Insight, construir modelos preditivos e acelerar a validação de hipóteses — sem nenhuma linha de código.
A Compass UOL criou e implementou um ambiente completo, de ponta a ponta, de IA e analytics na AWS, viabilizando fluxos de pesquisa seguros, escaláveis e colaborativos com:
- Amazon SageMaker Canvas
- Amazon SageMaker Studio
- Amazon S3
- AWS Glue
- Amazon Athena
Destaques da solução
Ambiente de dados unificado: Integração de dados do Fox Insight com dados de microbioma, utilizando o FoxDen como plataforma de exploração, com pipelines de ingestão e pré-processamento simplificados.
Modelagem no-code: Construção de modelos de classificação multilabel pelos pesquisadores no Amazon SageMaker Canvas para prever os níveis de atividade física entre participantes de estudos sobre Parkinson.
Explicabilidade com SHAP: Identificação de espécies microbianas essenciais associadas a níveis variados de intensidade de atividade física por meio dos recursos de interpretabilidade de modelos.
Colaboração e acessibilidade: Análise e colaboração contínua, com conjuntos de dados selecionados e resultados de modelos armazenados no Amazon S3 e consultados no Amazon Athena.
Capacitação e treinamento:Treinamento prático para capacitar os pesquisadores do Buck Institute a construir, interpretar e iterar modelos de machine learning de forma independente.
Essa base também sustenta etapas futuras, incluindo a expansão de fluxos no Amazon SageMaker Studio e o desenvolvimento planejado de um assistente de pesquisa, impulsionado por IA generativa com Amazon Bedrock e Amazon Q.
Sucesso operacional
Implantação de um ambiente Amazon SageMaker pronto para produção e integrado aos workflows de pesquisa existentes.
Insight científico
Descobertas iniciais sugerindo que atividades físicas podem reduzir bactérias nocivas e aumentar populações microbianas benéficas em pacientes com Parkinson.
Modelagem preditiva
Análise de mais de 200 recursos, validando hipóteses existentes e revelando novas correlações.
Aceleração da pesquisa
Contribuição para uma nova proposta de financiamento junto aos National Institutes of Health (NIH) e para futuras iniciativas de medicina personalizada por meio de insights gerados na plataforma.
Empoderamento do pesquisador
Condução de análises avançadas de machine learning de forma autônoma por cientistas não técnicos.
Leia outros cases
PagueMenos
A segunda maior rede de farmácias do Brasil usa AI & ML para personalizar ranking de produtos e experiências
Compre & Alugue Agora
A única rede social imobiliária do Brasil reduz custos do chatbot em até 80% e melhora respostas com IA