硬刚英伟达！亚马逊推出医药Agent平台，集成40+顶尖大模型，7x24小时全自动实验！

巨头亚马逊，也深度入局生命科学了。

就在今天（美东4月14日），亚马逊正式推出Amazon Bio Discovery。

这是一款专为生命科学设计的AI智能体，重点面向早期药物发现。

它集成了超过40个行业顶级生物医药大模型，用于生成和评估潜在的药物分子，为科研人员提供一站式干湿试验闭环平台，将候选药物从计算筛选到实验室测试的整个流程缩短至数周。

同一天，亚马逊与顶级医疗大学约翰斯·霍普金学院共同发布，全球AI抗体设计数据库。

该数据库是行业最大、最多样化的AI抗体数据集，涵盖50种种子抗体、4种结构格式和42种抗原，多样性是现有公开库的20倍。

亚马逊布局AI Agent+药物研发，这个时间点非常耐人寻味。

就在昨天，诺和诺德宣布牵手OpenAI，将把AI深度应用于药物研发、制造及商业运营全流程。

前不久，AI科技巨头Anthropic斥资近4亿美元（约合30亿元人民币）收购 Coefficient Bio，加强在生命科学的布局。

要知道，亚马逊一直以来在制药领域的角色是算力提供者，全球前20名制药公司中有19家已使用其云服务。

亚马逊，也要来AI制药抢占新的生态位了。

医药AI Agent，科学家一键启用

此次亚马逊发布的Amazon Bio Discovery，引发了行业的关注。

它不仅仅是一个简单的生命科学平台，更标志着亚马逊向整个生命科学迈出了一大步。

如今，干湿试验闭环已经是AI医药行业的标配，实验室再做实验验证，结果再反哺 AI，大大加快找药速度。

但对绝大多数科研团队来说，这个过程却并不顺畅：

生物 AI 模型更新太快，五花八门，各有各的用法和要求；

做计算的生物学家，既要评估新模型、又要落地使用，还得支持各种项目，设备、资源往往跟不上；

做实验的科学家懂生物、懂实验，但不会用计算工具，只能干等别人帮忙；

两边合作经常卡壳：不是没数据，是工具不支持同一个工作流等。

于是，亚马逊打造了Amazon Bio Discovery，该平台类似英伟达的BioNeMo平台，集成了众多生物化学模型和医药研发工具。

它本质上是一个面向生物学家和药物研发人员的智能Agent平台，旨在大幅降低AI制药的门槛。

5个步骤，搭建AI医药工作流

以抗体设计为例，Amazon Bio Discovery通过5大步骤，实现自动化药物研发。

第一步：挑选AI 模型，搭建专属计算工作流

目前，平台自带40多种生物AI模型，包括Apheris、Boltz、Profluent等合作伙伴的领先开源和商业模型。

这些模型覆盖抗体研发的各类需求，比如预测抗体结合能力、评估抗体能不能落地开发等。

研究人员可以按照自己的研究目标筛选模型，还能借助平台的评估标准，把不同模型放在一起横向对比，直观看清优劣。

图：AI生物学模型可开发性性能与真实抗体数据集的比较

这样一来，做计算的科研人员不用再耗费精力搭建底层设备、重复写代码、单独搭建数据通道。只需要专注科研本身，做好专业的模型搭配、数据标准设定。

第二步：借助AI ，快速设计模拟实验

确定好工作流程后，AI智能体会全程引导科学家完成实验的核心设置。拿抗体研发举例，它会精准定位关键氨基酸位点，挑选适配的抗体结构支架，这些关键条件，直接决定抗体和目标抗原的结合效果。

智能体会自动整合多类数据，综合考量结构接触范围、疏水特性等关键要素，每一项推荐建议，都会附上科学原理和参考依据。

图：识别目标抗原上的热点残基

第三步：AI 筛选优质候选分子，深度分析实验数据

模拟计算实验结束后，平台会自动整理结果，提前筛选出一批优质候选分子。

这些候选分子都经过了多维度优化和风险排查，提前规避了会影响抗体稳定性、药效和量产开发的各类问题，从源头减少无效研究。

图：多维度筛选后，AI推荐候选分子

每一个入选的候选分子，都会标注清楚推荐理由。同时平台配备专业分析工具，支持分子动力学分析、序列多样性核查等深度分析。

第四步：一键对接合作实验室，自动打通数据闭环

敲定最终要测试的候选分子后，在平台内就能直接对接合作的CRO、第三方实验室等。只需要选定检测实验类型，就能实时看到实验成本、交付周期，告别以往手动对接过程。

图：候选分子直接发送给集成的CRO合作伙伴，附带检测细节、成本估算和周转时间

线下实验全部完成后，实验数据会自动同步回流到亚马逊这套系统里。所有实验数据统一收纳管理还能直观对比 AI 预测结果和真实实验数据。并且所有过往所有研究数据，都能在统一平台查看整理。

第五步：实验数据反哺模型，形成闭环持续优化

这也是「干湿试验闭环」模式最核心的优势。真实的线下实验数据会全部反馈给 AI 模型，用最新的实测数据持续微调、优化模型算法。

图：在模型微调前验证湿实验室数据质量

经过多轮「AI 预测—实验验证—数据反哺—模型升级」的循环，模型的预测准确率会越来越高，筛选出的药物候选分子可靠性也会稳步提升。

其内置的AI智能体可帮助研究人员自动选择模型、设定参数并解释结果，将候选药物从计算筛选到实验室测试的整个流程缩短至数周。

发布行业最大AI抗体数据集

就在同一天，亚马逊与约翰霍普金斯大学 Gray 实验室联合发布，抗体可开发性基准数据库。

该数据集是目前全球公开领域规模最大、多样性最高的抗体AI评测标准数据集。

数据集包含50个具有临床和科学价值的种子抗体，覆盖IgG、VHH、NearGermline-IgG、scFv四种结构格式，靶向42种不同抗原。

此外，数据集重点测量表达量、纯度、热稳定性、聚集性、多反应性、疏水性六大关键可开发性指标。

上述指标直接决定了一款抗体能否成为可量产、稳定且安全的治疗药物。

与现有公开数据集相比，它的多样性达到了前者的20倍。更具突破性的是，数据集不仅包含可开发性良好的抗体样本，还纳入了大量经过系统突变得到的、可开发性不佳的变体。

所有数据均经过湿实验室实验验证，提供了现有公开基准所缺乏的真实实验依据。

此外，该数据集支持零样本学习，能够在不提前让模型接触数据的情况下进行评测，有效避免数据泄露，让评测结果更具可信度和参考价值。

目前，这款基准数据集已正式嵌入亚马逊生物发现平台，供全球科研团队直接使用。

官方表示，数据集还会继续保持更新，平台未来还会添加更多模型。

AI制药新基建争夺战

这次的平台化升级，是亚马逊在AI制药领域的关键举措。

如今，亚马逊现在不仅限于算力，而是通过生态打通了从AI模型、到实验验证、再到数据反馈的全流程。客户一旦习惯使用，迁移成本极高，从而被深度锁定，确保了未来的利润流。

不仅如此，亚马逊的野心绝不止于药物发现环节。

据报道，亚马逊已将联合BCG和默克推出用于优化临床试验点选择的AI平台，优化和改进临床试验环节。

这些都指向一个不可逆转的趋势——AI正在重塑整个新药研发的底层逻辑。

这一趋势下，科技巨头们都在抢占AI制药新的生态位，从实验室、数据、平台全方位地与医药巨头们合作。

例如OpenAI已经合作了诺和诺德、赛诺菲、礼来、Moderna等跨国医药企业，与这些合作伙伴共同打造全球顶尖模型，改变药物研发。

英伟达也从以往的算力提供商，到组建研发团队，主动推动医药行业发展。

去年一整年，英伟达的研究团队与全球顶尖实验室一道，发布了多款行业基础模型，全部都进入BioNeMo平台中。

毕竟，全球每年生物医药的研发投入是上万亿元。

届时，越来越多的制药研发工作流经人工智能，以及越来越多的制药研发预算流经科技巨头们。

—The End—