AWS 推出 Amazon Bio Discovery：干湿闭环加速抗体研发，一年工期缩短至数周

在很多制药团队里，写代码的生物信息工程师和穿白大褂摇试管的实验科学家，常常像活在两个世界。懂靶点的实验人员要试一个新想法，得排队等生信团队写脚本；生信团队搭好模型，又得手动把一堆候选分子导出成表格，交给外包实验室做湿实验验证。

AWS 正式上线了名为 Amazon Bio Discovery 的智能体应用。它的核心目标，就是把干实验的 AI 预测和湿实验的真实测试打通，变成一套人人都能跑的闭环系统。

把 40 多个生物模型塞进无代码沙盒

Bio Discovery 预置了 40 多种主流的生物学 AI 模型，涵盖从结合亲和力预测到成药性评估的多个环节。如果团队有自己的私有模型，或者买了第三方授权，也可以直接上传进去统一管理。

计算生物学家不用再为每个项目搭底层计算集群。他们可以在无代码环境里，把模型串联、数据清洗标准和质控阈值打包成一份预设流水线，然后直接发布给实验室同事。

湿实验科学家面对的则是一个带推理建议的 AI 助手。比如做抗体设计时，智能体会综合表面可及性和疏水性等参数，自动标出抗原上的关键热点残基，并解释推荐理由。研究人员调整参数也不需要写一行代码。

在和纪念斯隆-凯特琳癌症中心的合作中，这套系统帮研究人员设计了近 30 万个候选抗体，并筛出前 10 万个进入湿实验验证。整套流程只花了几周时间，而传统设计方法通常需要长达一年。

一键下单湿实验，数据自动回流微调

AI 算完分子往往只是万里长征第一步，真正的瓶颈在后面的湿实验。以往研究人员需要手动对接不同的合同研究组织，格式对齐和数据交接非常繁琐。

Bio Discovery 直接把 Ginkgo Bioworks、Twist Bioscience 和 A-Alpha Bio 三家合同研究组织接进了系统。研究人员在界面上选好要做的实验检测，就能看到接近实时的报价和交付周期预估，直接把候选分子派发出去。

实验做完后，数据会自动回流到统一的实验数据登记库中。系统会拿真实实验结果比对之前的预测准确度，并启动主动学习，用新数据微调模型，进入下一轮迭代。

为什么重要

对药企研发团队来说，这套工具最大的价值在于消除了干湿实验之间的等待队列。实验生物学家可以直接上手探索靶点，不需要样样依赖懂编程的生信同事；生信专家的精力则可以从重复性的脚本支持，转向高质量工作流的封装与打磨。

在行业层面，AI 制药的竞争焦点正在从单点算法竞赛，转向干湿闭环的数据飞轮。AWS 这一步走得很聪明，它没有把自己局限在发布某一个蛋白质模型，而是利用云计算平台的身份，把上游模型、中间工作流和下游实验外包生态整合在一起。

不过在我们看来，这套模式的效果高度依赖底层模型推荐的靠谱程度和外部外包实验室的实际交付节奏。虽然目前全球前 20 大药企中有 19 家在使用 AWS 基础设施，企业级数据隔离能解决一部分合规顾虑，但面对复杂的罕见靶点，现成的模型流水线能否给出足够可靠的候选分子，依然需要更多真实管线的长期验证。