夜雨聆风2026年4月14日，AWS宣布推出Amazon Bio Discovery，这是一款全新的人工智能驱动应用，旨在帮助科学家更快速、更有信心地设计和测试新型药物。
Amazon Bio Discovery让科学家能够直接使用一个名为bioFMs的专业人工智能模型大全，这些模型基于海量生物数据集训练而成。这些模型可以生成并评估潜在的药物分子，帮助科学家在药物发现的早期阶段加速抗体疗法的研发。
借助Amazon Bio Discovery，科学家可以用自己偏好的术语与AI智能体（一款能够自动化复杂任务的智能助手）进行自然对话，从而为研究目标选择合适的模型、优化输入参数并评估用于实验的候选药物。科学家还可以利用自己过往的实验数据训练模型，以做出更准确的预测。此外，他们可以轻松地将候选药物发送至实体实验室进行合成和测试，测试结果会回传至应用以实现快速迭代，形成实验室闭环实验周期。
打破药物发现领域人工智能应用的壁垒
过去几年，生成式人工智能的发展催生了大量新的机器学习模型，其应用范围从预测蛋白质的物理结构到基于化学性质评估候选药物。尽管这些模型前景广阔，但使用它们需要具备编程技能和管理计算基础设施的能力。仅模型选择这一项就颇具挑战性，因为此类模型有数十种之多，且很难对它们进行相互基准测试。因此，许多科学家难以独立使用人工智能模型，而能够为他们提供帮助的、具备专业人工智能技能的计算生物学家却供不应求。
将候选药物从计算设计推进到实体合成的过程也十分复杂。数据分散在互不连通的系统中，科学家必须管理多个实验室合作伙伴，并手动协调时间进度和价格。
Amazon Bio Discovery通过三项核心功能解决了这些挑战：经过基准测试的人工智能模型和分析包库、帮助研究人员设计实验的人工智能智能体，以及能够测试最具潜力的抗体候选药物并将结果回传给科学家的集成实验室合作伙伴网络。这一反馈闭环能够优化下一轮的药物设计。
AWS医疗健康人工智能与生命科学副总裁Rajiv Chopra表示：“人工智能智能体让强大的科研能力惠及所有药物研究人员，而不仅仅是具备计算专业知识的人员。这些人工智能系统能够帮助科学家设计药物分子、协调测试工作、从结果中学习，并在每次实验中不断优化。前沿人工智能与AWS为受监管行业打造的稳健、安全基础设施相结合，使科学家能够以过去无法实现的方式加速抗体发现进程。”
Amazon Bio Discovery构建在制药行业已经信赖的同一基础之上。目前，全球排名前20的制药公司中有19家使用AWS来运行其最敏感的研究工作。Amazon Bio Discovery为所有制药、生物技术和学术研究机构的研究人员带来了企业级的可扩展性、性能、隐私性和安全性。它提供完整的数据隔离，并让客户拥有其所有专有数据和知识产权的所有权。
人工智能智能体帮助科学家搭建并运行人工智能驱动的药物发现工作流
轻松且有信心地在研究中使用人工智能
Amazon Bio Discovery为科学家提供了丰富的药物发现人工智能模型目录，包括来自Apheris和Boltz等合作伙伴的领先开源和商业模型，Biohub和Profluent的模型也即将上线。更重要的是，人工智能智能体会引导科学家完成每一个步骤——从设计实验到挑选最具潜力的人工智能设计候选药物进行实验室测试。科学家可以使用自然语言创建实验方案（即结合不同模型和分析的分步工作流），并通过基准测试确定哪种模型最适合其研究需求。为进一步支持模型选择，该应用还提供了一个不断扩充的大型抗体基准数据集，可展示候选药物易于生产、在一定温度范围内保持稳定以及具备合适生物学特性的可能性。
Amazon Bio Discovery的药物发现开源及商业人工智能模型目录
利用科学家过往的实验数据优化人工智能模型
利用专有实验数据微调人工智能模型能够生成更智能的预测、更优质的候选药物，并减少实验迭代次数。然而，这需要专门的机器学习团队和昂贵的基础设施，因此大多数科学家都无法实现。
Amazon Bio Discovery改变了这一现状，它使科学家能够将所在机构实验室结果中的过往实验数据安全地导入应用。他们只需点击几下，就可以使用自己的实验室数据训练定制模型，无需构建复杂的训练流程或编写定制代码。所有经过微调的模型均保持私有，仅对用户或其所在机构开放。对于已经构建了自有内部模型的机构，计算生物学家可以在Amazon Bio Discovery中轻松部署和托管这些模型。这些功能共同帮助科学家和计算生物学家更高效地协作，形成持续改进的循环，从而长期加速研究进程。
通过利用过往实验室实验数据微调模型来提升预测准确性
通过内置实验室合作伙伴网络打通药物发现闭环
一旦科学家确定了顶级抗体候选药物，就可以将其直接发送至Amazon Bio Discovery的集成实验室合作伙伴网络，由这些合作伙伴进行分子的实体合成和测试。包括Twist Bioscience、Ginkgo Bioworks在内的合作伙伴提供价格和交付周期透明的服务，A-Alpha Bio也即将加入该网络。测试会获取关键信息，帮助科学家决定哪些候选药物可以进入后续开发阶段。
分析并挑选顶级候选药物发送至实体实验室进行测试
实验室结果会回流至机构的应用环境中，保持所有数据连通，并优化下一个设计周期。一款应用取代了人工交接和互不连通的系统，打通了实验闭环。
与Memorial Sloan Kettering癌症中心合作设计新型抗体
Memorial Sloan Kettering癌症中心（MSK）儿科肿瘤学Enid A. Haupt讲席教授Nai-Kong Cheung面临着一个常见的挑战：使用传统设计方法确定一种有前景的攻击癌细胞的方案并开发抗体候选药物的过程耗时过长。
Amazon Bio Discovery团队与MSK合作，与Cheung共同攻克这一挑战。利用Amazon Bio Discovery的智能体协调多个模型，他们设计了近30万个新型抗体分子。随后，他们将排名前10万的候选药物发送至Twist Bioscience进行测试。使用传统设计方法通常需要长达一年的时间，而从设计候选药物到将其送去实验室测试仅用了数周。
Cheung表示：“我们很高兴能够与Amazon Bio Discovery携手开发下一代抗体，这有望加速研发进程，帮助全球患者。作为研究人员，我们花了20年时间才证明第一代抗体有效，然后又花了13年时间将其转化为人源化形式，才获得美国食品药品监督管理局（FDA）的批准。这条路径效率极低。患者是带着生命倒计时来到这里的，我们需要更快地取得成果。”
除MSK外，Bayer、Broad Institute、Fred Hutch癌症中心和Voyager Therapeutics均为Amazon Bio Discovery的早期采用者。
参考资料：
https://www.aboutamazon.com/news/aws/aws-amazon-bio-discovery-ai-drug-research
--------- End ---------
感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。
