巨頭亞馬遜，也深度入局生命科學了。

就在今天（美東4月14日），亞馬遜正式推出Amazon Bio Discovery。

這是一款專為生命科學設計的AI智能體，重點面向早期藥物發(fā)現(xiàn)。

它集成了超過40個行業(yè)頂級生物醫(yī)藥大模型，用于生成和評估潛在的藥物分子，為科研人員提供一站式干濕試驗閉環(huán)平臺，將候選藥物從計算篩選到實驗室測試的整個流程縮短至數(shù)周。

同一天，亞馬遜與頂級醫(yī)療大學約翰斯·霍普金學院共同發(fā)布，全球AI抗體設計數(shù)據(jù)庫。

該數(shù)據(jù)庫是行業(yè)最大、最多樣化的AI抗體數(shù)據(jù)集，涵蓋50種種子抗體、4種結構格式和42種抗原，多樣性是現(xiàn)有公開庫的20倍。

亞馬遜布局AI Agent+藥物研發(fā)，這個時間點非常耐人尋味。

就在昨天，諾和諾德宣布牽手OpenAI，將把AI深度應用于藥物研發(fā)、制造及商業(yè)運營全流程。

前不久，AI科技巨頭Anthropic斥資近4億美元（約合30億元人民幣）收購 Coefficient Bio，加強在生命科學的布局。

要知道，亞馬遜一直以來在制藥領域的角色是算力提供者，全球前20名制藥公司中有19家已使用其云服務。

亞馬遜，也要來AI制藥搶占新的生態(tài)位了。

醫(yī)藥AI Agent，科學家一鍵啟用

此次亞馬遜發(fā)布的Amazon Bio Discovery，引發(fā)了行業(yè)的關注。

它不僅僅是一個簡單的生命科學平臺，更標志著亞馬遜向整個生命科學邁出了一大步。

如今，干濕試驗閉環(huán)已經(jīng)是AI醫(yī)藥行業(yè)的標配，實驗室再做實驗驗證，結果再反哺 AI，大大加快找藥速度。

但對絕大多數(shù)科研團隊來說，這個過程卻并不順暢：

生物 AI 模型更新太快，五花八門，各有各的用法和要求；

做計算的生物學家，既要評估新模型、又要落地使用，還得支持各種項目，設備、資源往往跟不上；

做實驗的科學家懂生物、懂實驗，但不會用計算工具，只能干等別人幫忙；

兩邊合作經(jīng)?？ぃ翰皇菦]數(shù)據(jù)，是工具不支持同一個工作流等。

于是，亞馬遜打造了Amazon Bio Discovery，該平臺類似英偉達的BioNeMo平臺，集成了眾多生物化學模型和醫(yī)藥研發(fā)工具。

它本質上是一個面向生物學家和藥物研發(fā)人員的智能Agent平臺，旨在大幅降低AI制藥的門檻。

5個步驟，搭建AI醫(yī)藥工作流

以抗體設計為例，Amazon Bio Discovery通過5大步驟，實現(xiàn)自動化藥物研發(fā)。

第一步：挑選AI 模型，搭建專屬計算工作流

目前，平臺自帶40多種生物AI模型，包括Apheris、Boltz、Profluent等合作伙伴的領先開源和商業(yè)模型。

這些模型覆蓋抗體研發(fā)的各類需求，比如預測抗體結合能力、評估抗體能不能落地開發(fā)等。

研究人員可以按照自己的研究目標篩選模型，還能借助平臺的評估標準，把不同模型放在一起橫向對比，直觀看清優(yōu)劣。

圖：AI生物學模型可開發(fā)性性能與真實抗體數(shù)據(jù)集的比較

這樣一來，做計算的科研人員不用再耗費精力搭建底層設備、重復寫代碼、單獨搭建數(shù)據(jù)通道。只需要專注科研本身，做好專業(yè)的模型搭配、數(shù)據(jù)標準設定。

第二步：借助AI ，快速設計模擬實驗

確定好工作流程后，AI智能體會全程引導科學家完成實驗的核心設置。拿抗體研發(fā)舉例，它會精準定位關鍵氨基酸位點，挑選適配的抗體結構支架，這些關鍵條件，直接決定抗體和目標抗原的結合效果。

智能體會自動整合多類數(shù)據(jù)，綜合考量結構接觸范圍、疏水特性等關鍵要素，每一項推薦建議，都會附上科學原理和參考依據(jù)。

圖：識別目標抗原上的熱點殘基

第三步：AI 篩選優(yōu)質候選分子，深度分析實驗數(shù)據(jù)

模擬計算實驗結束后，平臺會自動整理結果，提前篩選出一批優(yōu)質候選分子。

這些候選分子都經(jīng)過了多維度優(yōu)化和風險排查，提前規(guī)避了會影響抗體穩(wěn)定性、藥效和量產開發(fā)的各類問題，從源頭減少無效研究。

圖：多維度篩選后，AI推薦候選分子

每一個入選的候選分子，都會標注清楚推薦理由。同時平臺配備專業(yè)分析工具，支持分子動力學分析、序列多樣性核查等深度分析。

第四步：一鍵對接合作實驗室，自動打通數(shù)據(jù)閉環(huán)

敲定最終要測試的候選分子后，在平臺內就能直接對接合作的CRO、第三方實驗室等。只需要選定檢測實驗類型，就能實時看到實驗成本、交付周期，告別以往手動對接過程。

圖：候選分子直接發(fā)送給集成的CRO合作伙伴，附帶檢測細節(jié)、成本估算和周轉時間

線下實驗全部完成后，實驗數(shù)據(jù)會自動同步回流到亞馬遜這套系統(tǒng)里。所有實驗數(shù)據(jù)統(tǒng)一收納管理還能直觀對比 AI 預測結果和真實實驗數(shù)據(jù)。并且所有過往所有研究數(shù)據(jù)，都能在統(tǒng)一平臺查看整理。

第五步：實驗數(shù)據(jù)反哺模型，形成閉環(huán)持續(xù)優(yōu)化

這也是「干濕試驗閉環(huán)」模式最核心的優(yōu)勢。真實的線下實驗數(shù)據(jù)會全部反饋給 AI 模型，用最新的實測數(shù)據(jù)持續(xù)微調、優(yōu)化模型算法。

圖：在模型微調前驗證濕實驗室數(shù)據(jù)質量

經(jīng)過多輪「AI 預測—實驗驗證—數(shù)據(jù)反哺—模型升級」的循環(huán)，模型的預測準確率會越來越高，篩選出的藥物候選分子可靠性也會穩(wěn)步提升。

其內置的AI智能體可幫助研究人員自動選擇模型、設定參數(shù)并解釋結果，將候選藥物從計算篩選到實驗室測試的整個流程縮短至數(shù)周。

發(fā)布行業(yè)最大AI抗體數(shù)據(jù)集

就在同一天，亞馬遜與約翰霍普金斯大學 Gray 實驗室聯(lián)合發(fā)布，抗體可開發(fā)性基準數(shù)據(jù)庫。

該數(shù)據(jù)集是目前全球公開領域規(guī)模最大、多樣性最高的抗體AI評測標準數(shù)據(jù)集。

數(shù)據(jù)集包含50個具有臨床和科學價值的種子抗體，覆蓋IgG、VHH、NearGermline-IgG、scFv四種結構格式，靶向42種不同抗原。

此外，數(shù)據(jù)集重點測量表達量、純度、熱穩(wěn)定性、聚集性、多反應性、疏水性六大關鍵可開發(fā)性指標。

上述指標直接決定了一款抗體能否成為可量產、穩(wěn)定且安全的治療藥物。

與現(xiàn)有公開數(shù)據(jù)集相比，它的多樣性達到了前者的20倍。更具突破性的是，數(shù)據(jù)集不僅包含可開發(fā)性良好的抗體樣本，還納入了大量經(jīng)過系統(tǒng)突變得到的、可開發(fā)性不佳的變體。

所有數(shù)據(jù)均經(jīng)過濕實驗室實驗驗證，提供了現(xiàn)有公開基準所缺乏的真實實驗依據(jù)。

此外，該數(shù)據(jù)集支持零樣本學習，能夠在不提前讓模型接觸數(shù)據(jù)的情況下進行評測，有效避免數(shù)據(jù)泄露，讓評測結果更具可信度和參考價值。

目前，這款基準數(shù)據(jù)集已正式嵌入亞馬遜生物發(fā)現(xiàn)平臺，供全球科研團隊直接使用。

官方表示，數(shù)據(jù)集還會繼續(xù)保持更新，平臺未來還會添加更多模型。

AI制藥新基建爭奪戰(zhàn)

這次的平臺化升級，是亞馬遜在AI制藥領域的關鍵舉措。

如今，亞馬遜現(xiàn)在不僅限于算力，而是通過生態(tài)打通了從AI模型、到實驗驗證、再到數(shù)據(jù)反饋的全流程?？蛻粢坏┝晳T使用，遷移成本極高，從而被深度鎖定，確保了未來的利潤流。

不僅如此，亞馬遜的野心絕不止于藥物發(fā)現(xiàn)環(huán)節(jié)。

據(jù)報道，亞馬遜已將聯(lián)合BCG和默克推出用于優(yōu)化臨床試驗點選擇的AI平臺，優(yōu)化和改進臨床試驗環(huán)節(jié)。

這些都指向一個不可逆轉的趨勢——AI正在重塑整個新藥研發(fā)的底層邏輯。

這一趨勢下，科技巨頭們都在搶占AI制藥新的生態(tài)位，從實驗室、數(shù)據(jù)、平臺全方位地與醫(yī)藥巨頭們合作。

例如OpenAI已經(jīng)合作了諾和諾德、賽諾菲、禮來、Moderna等跨國醫(yī)藥企業(yè)，與這些合作伙伴共同打造全球頂尖模型，改變藥物研發(fā)。

英偉達也從以往的算力提供商，到組建研發(fā)團隊，主動推動醫(yī)藥行業(yè)發(fā)展。

去年一整年，英偉達的研究團隊與全球頂尖實驗室一道，發(fā)布了多款行業(yè)基礎模型，全部都進入BioNeMo平臺中。

畢竟，全球每年生物醫(yī)藥的研發(fā)投入是上萬億元。

屆時，越來越多的制藥研發(fā)工作流經(jīng)人工智能，以及越來越多的制藥研發(fā)預算流經(jīng)科技巨頭們。

—The End—