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現。

它集成了超過40個行業頂級生物醫藥大模型，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周。

同一天，亞馬遜與頂級醫療大學約翰斯·霍普金學院共同發布，全球AI抗體設計數據庫。

該數據庫是行業最大、最多樣化的AI抗體數據集，涵蓋50種種子抗體、4種結構格式和42種抗原，多樣性是現有公開庫的20倍。

亞馬遜布局AI Agent+藥物研發，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、制造及商業運營全流程。

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制藥搶占新的生態位了。

醫藥AI Agent，科學家一鍵啟用

此次亞馬遜發布的Amazon Bio Discovery，引發了行業的關注。

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，干濕試驗閉環已經是AI醫藥行業的標配，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；

兩邊合作經常卡殼：不是沒數據，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藥研發工具。

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

5個步驟，搭建AI醫藥工作流

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

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模型。

這些模型覆蓋抗體研發的各類需求，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，直觀看清優劣。

圖：AI生物學模型可開發性性能與真實抗體數據集的比較

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、單獨搭建數據通道。只需要專注科研本身，做好專業的模型搭配、數據標準設定。

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據，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。

圖：識別目標抗原上的熱點殘基

第三步：AI 篩選優質候選分子，深度分析實驗數據

模擬計算實驗結束后，平臺會自動整理結果，提前篩選出一批優質候選分子。

這些候選分子都經過了多維度優化和風險排查，提前規避了會影響抗體穩定性、藥效和量產開發的各類問題，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，自動打通數據閉環

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：候選分子直接發送給集成的CRO合作伙伴，附帶檢測細節、成本估算和周轉時間

線下實驗全部完成后，實驗數據會自動同步回流到亞馬遜這套系統里。所有實驗數據統一收納管理還能直觀對比 AI 預測結果和真實實驗數據。并且所有過往所有研究數據，都能在統一平臺查看整理。

第五步：實驗數據反哺模型，形成閉環持續優化

這也是「干濕試驗閉環」模式最核心的優勢。真實的線下實驗數據會全部反饋給 AI 模型，用最新的實測數據持續微調、優化模型算法。

圖：在模型微調前驗證濕實驗室數據質量

經過多輪「AI 預測—實驗驗證—數據反哺—模型升級」的循環，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周。

發布行業最大AI抗體數據集

就在同一天，亞馬遜與約翰霍普金斯大學 Gray 實驗室聯合發布，抗體可開發性基準數據庫。

該數據集是目前全球公開領域規模最大、多樣性最高的抗體AI評測標準數據集。

數據集包含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，數據集重點測量表達量、純度、熱穩定性、聚集性、多反應性、疏水性六大關鍵可開發性指標。

上述指標直接決定了一款抗體能否成為可量產、穩定且安全的治療藥物。

與現有公開數據集相比，它的多樣性達到了前者的20倍。更具突破性的是，數據集不僅包含可開發性良好的抗體樣本，還納入了大量經過系統突變得到的、可開發性不佳的變體。

所有數據均經過濕實驗室實驗驗證，提供了現有公開基準所缺乏的真實實驗依據。

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

目前，這款基準數據集已正式嵌入亞馬遜生物發現平臺，供全球科研團隊直接使用。

官方表示，數據集還會繼續保持更新，平臺未來還會添加更多模型。

AI制藥新基建爭奪戰

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，亞馬遜現在不僅限于算力，而是通過生態打通了從AI模型、到實驗驗證、再到數據反饋的全流程。客戶一旦習慣使用，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現環節。

據報道，亞馬遜已將聯合BCG和默克推出用于優化臨床試驗點選擇的AI平臺，優化和改進臨床試驗環節。

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制藥新的生態位，從實驗室、數據、平臺全方位地與醫藥巨頭們合作。

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

英偉達也從以往的算力提供商，到組建研發團隊，主動推動醫藥行業發展。

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

畢竟，全球每年生物醫藥的研發投入是上萬億元。

屆時，越來越多的制藥研發工作流經人工智能，以及越來越多的制藥研發預算流經科技巨頭們。

—The End—