AWS 推出 Amazon Bio Discovery：乾溼閉環加速抗體研發，一年工期縮短至數週

在很多製藥團隊裡，寫程式碼的生物資訊工程師和穿白大褂搖試管的實驗科學家，常常像活在兩個世界。懂靶點的實驗人員要試一個新想法，得排隊等生信團隊寫指令碼；生信團隊搭好模型，又得手動把一堆候選分子匯出成表格，交給外包實驗室做溼實驗驗證。

AWS 正式上線了名為 Amazon Bio Discovery 的智慧體應用。它的核心目標，就是把幹實驗的 AI 預測和溼實驗的真實測試打通，變成一套人人都能跑的閉環系統。

把 40 多個生物模型塞進無程式碼沙盒

Bio Discovery 預置了 40 多種主流的生物學 AI 模型，涵蓋從結合親和力預測到成藥性評估的多個環節。如果團隊有自己的私有模型，或者買了第三方授權，也可以直接上傳進去統一管理。

計算生物學家不用再為每個專案搭底層計算叢集。他們可以在無程式碼環境裡，把模型串聯、資料清洗標準和質控閾值打包成一份預設流水線，然後直接釋出給實驗室同事。

溼實驗科學家面對的則是一個帶推理建議的 AI 助手。比如做抗體設計時，智慧體會綜合表面可及性和疏水性等引數，自動標出抗原上的關鍵熱點殘基，並解釋推薦理由。研究人員調整引數也不需要寫一行程式碼。

在和紀念斯隆-凱特琳癌症中心的合作中，這套系統幫研究人員設計了近 30 萬個候選抗體，並篩出前 10 萬個進入溼實驗驗證。整套流程只花了幾週時間，而傳統設計方法通常需要長達一年。

一鍵下單溼實驗，資料自動迴流微調

AI 算完分子往往只是萬里長征第一步，真正的瓶頸在後面的溼實驗。以往研究人員需要手動對接不同的合同研究組織，格式對齊和資料交接非常繁瑣。

Bio Discovery 直接把 Ginkgo Bioworks、Twist Bioscience 和 A-Alpha Bio 三家合同研究組織接進了系統。研究人員在介面上選好要做的實驗檢測，就能看到接近即時的報價和交付週期預估，直接把候選分子派發出去。

實驗做完後，資料會自動迴流到統一的實驗資料登記庫中。系統會拿真實實驗結果比對之前的預測準確度，並啟動主動學習，用新資料微調模型，進入下一輪迭代。

為什麼重要

對藥企研發團隊來說，這套工具最大的價值在於消除了乾溼實驗之間的等待佇列。實驗生物學家可以直接上手探索靶點，不需要樣樣依賴懂程式設計的生信同事；生信專家的精力則可以從重複性的指令碼支援，轉向高質量工作流的封裝與打磨。

在行業層面，AI 製藥的競爭焦點正在從單點演算法競賽，轉向乾溼閉環的資料飛輪。AWS 這一步走得很聰明，它沒有把自己侷限在釋出某一個蛋白質模型，而是利用雲端計算平臺的身份，把上游模型、中間工作流和下游實驗外包生態整合在一起。

不過在我們看來，這套模式的效果高度依賴底層模型推薦的靠譜程度和外部外包實驗室的實際交付節奏。雖然目前全球前 20 大藥企中有 19 家在使用 AWS 基礎設施，企業級資料隔離能解決一部分合規顧慮，但面對複雜的罕見靶點，現成的模型流水線能否給出足夠可靠的候選分子，依然需要更多真實管線的長期驗證。