AWS、創薬AIアプリ「Amazon Bio Discovery」発表：湿式実験と連携し抗体候補の選定を数週間に短縮

創薬の現場では、アルゴリズムを扱う計算生物学者と、実験室で実際に手を動かす研究者の間に大きな壁が存在していました。実験担当者が新しい仮説を試そうとしても、計算担当者が専用パイプラインを組むのを待つ必要があり、データの受け渡しにも手間がかかっていました。

AWSは4月14日、このドライ解析とウェット実験の連携を自動化するエージェント型アプリケーション「Amazon Bio Discovery」の提供を開始しました。

40以上のモデルをノーコードで連携

Amazon Bio Discoveryは、抗体の結合親和性予測や開発可能性評価などに対応する40以上の生物学向けAIモデルをカタログとして提供します。自社開発の独自モデルやサードパーティのライセンスモデルをアップロードして統合することも可能です。

計算生物学者は、インフラのプロビジョニングを意識することなく、ノーコード環境でモデルの連携パイプラインをレシピとして構築できます。データ処理の基準や品質閾値をレシピに埋め込んで公開することで、実験担当の研究者へ安全に共有できます。

実験側の研究者は、AIエージェントの対話支援を受けながら実験条件を調整できます。メモリアル・スローン・ケタリングがんセンターとの共同プロジェクトでは、約30万種の新規抗体候補を設計し、上位10万種をウェット実験へ送るまでの工程を数週間で完了させました。従来の設計手法では最大1年を要していたプロセスです。

CROとの直結で閉じる検証ループ

コンピュータ上で絞り込んだ候補分子は、外部の受託研究機関へスムーズに発注できます。

システム内にはGinkgo Bioworks、Twist Bioscience、A-Alpha Bioの3社が統合されています。研究者は必要なアッセイを選択するだけで、ほぼリアルタイムに見積もり費用と納期を確認し、検証を依頼できます。

実験結果はデータレジストリへ自動的に還元されます。予測値と実測値の精度差を評価し、得られた実験データをもとにモデルを微調整する能動学習のループが完成します。

なぜ重要か

研究者にとって最大の恩恵は、部門間の待ち時間や手作業の引き継ぎが解消される点にあります。生物学のドメイン知識を持つ実験研究者が自らAIを活用できるようになり、計算担当者は個別のスクリプト作成から解放されて本質的なパイプライン設計に集中できます。

業界の視点で見ると、単体の生成モデルを競う段階から、実実験を巻き込んだデータ循環エコシステムの勝負へ移ったことを示しています。AWSは個別の基礎モデルにとどまらず、モデル、分析ワークフロー、外部実験機関を束ねる創薬プラットフォームの基盤を握りにきました。

世界の製薬企業トップ20社のうち19社がAWSを採用している実績とデータ分離環境は信頼材料ですが、複雑な新興ターゲットに対して既成のワークフローがどこまで汎用的に機能するかは、今後の長期的な実証を見る必要があります。