Amazon hat Mitte April auf dem AWS Life Sciences Symposium eine neue Plattform vorgestellt: Amazon Bio Discovery.
Das Memorial Sloan Kettering Cancer Center (MSK) gehört zu den ersten Testnutzern. Sie haben etwas sehr Repräsentatives getan: Innerhalb weniger Wochen entwarfen sie fast 300.000 Nanobody-Kandidaten gegen pädiatrische Krebsziele und schickten die 100.000 vielversprechendsten direkt ins Nasslabor zur Synthese und Testung.
Dieser Prozess würde normalerweise ein Jahr dauern.
Wie die Plattform funktioniert
Amazon Bio Discovery kombiniert drei Dinge:
Erstens, eine Bibliothek biologischer Basismodelle
Die Plattform integriert über 40 Basismodelle, die speziell auf biologischen Daten trainiert wurden, und deckt Bereiche wie Proteinstrukturvorhersage, Antikörperdesign und Generierung von Wirkstoffmolekülen ab. Zu den Modellanbietern gehören Apheris und Boltz, Biohub und Profluent werden voraussichtlich ebenfalls beitreten.
Im Gegensatz zu allgemeinen großen Sprachmodellen sind diese Modelle speziell auf biologischen Experimentaldaten trainiert und verfügen über ein gezieltes Verständnis der Struktur-Funktions-Beziehungen von Molekülen. Nutzer können auch ihre eigenen experimentellen Daten zur Feinabstimmung der Modelle verwenden, ohne eine eigene Trainingspipeline aufbauen zu müssen.
Zweitens, eine KI-Agenten-Schnittstelle
Dies ist der Schlüssel, um die Plattform auch für Nicht-Computerexperten nutzbar zu machen. Man teilt ihr in natürlicher Sprache mit, was zu tun ist – zum Beispiel, Nanokörper zu finden, die an dieses Zielprotein binden – und der KI-Agent wählt automatisch das passende Modell aus, entwirft den Experimentablauf und interpretiert die Berechnungsergebnisse. Der gesamte Vorgang erfordert keine Programmierung.
Laut AWS-Manager Rajiv Chopra macht der KI-Agent leistungsstarke wissenschaftliche Fähigkeiten nicht länger nur für rechenaffine Forscher zugänglich.
Drittens, eine Laborschnittstelle (Lab-in-the-loop)
Dies ist das wirklich Besondere an Amazon Bio Discovery. Die Plattform führt nicht nur Berechnungen durch, sondern ist direkt mit echten Nasslaboren verbunden.
Wenn KI vielversprechende Kandidatenmoleküle identifiziert hat, können diese mit einem Klick an Partnerlabore zur physikalischen Synthese und Testung übermittelt werden. Derzeit sind die Laborpartner Twist Bioscience und Ginkgo Bioworks, A-Alpha Bio wird ebenfalls bald hinzukommen.
Nachdem die Testergebnisse zurückkommen, fließen sie automatisch in das Modell zurück, um die Designparameter für die nächste Runde zu optimieren. Dies wird als Experimentierkreislauf bezeichnet: KI-Design → Nasslabor-Verifikation → Ergebnisrückmeldung → KI-Neudesign.
Was der MSK-Fall wirklich bedeutet
Das Memorial Sloan Kettering Cancer Center ist eine der führenden Krebsforschungseinrichtungen der USA. Ihr Testfall:
- Eingabe der Strukturdaten eines pädiatrischen krebsrelevanten Zielproteins
- KI generiert etwa 300.000 Nanobody-Designs
- Auswahl nach Kriterien wie Herstellbarkeit und Stabilität, 100.000 werden ins Nasslabor geschickt
- Ergebnisse innerhalb weniger Wochen
AWS hat für dieses Projekt ein eigenes wissenschaftliches Whitepaper veröffentlicht, das den gesamten Nanobody-Designprozess dokumentiert. Im traditionellen Prozess dauert ein Design-Test-Iterationszyklus selbst mehrere Monate, der gesamte Durchlauf benötigt normalerweise ein Jahr.
Es geht nicht nur um schnellere Berechnungen, der Kern ist die Verbindung der Informationsflüsse zwischen Design und Verifikation, wodurch ein Großteil der manuellen Koordinationsreibung beseitigt wird.
Wer nutzt es
Bekannte frühe Nutzer:
- Bayer: Eines der größten Pharmaunternehmen der Welt
- Broad Institute: Eine von MIT und Harvard gegründete Genomforschungseinrichtung
- Voyager Therapeutics: Spezialisiert auf Gentherapien für neurologische Erkrankungen
AWS hat zudem einen Hintergrunddatenpunkt offengelegt: 19 der 20 größten Pharmaunternehmen weltweit nutzen bereits AWS-Cloud-Dienste für ihre Forschung. Es geht hier nicht um die Neukundengewinnung von Grund auf, sondern um eine tiefere Integration bei bestehenden Kunden.
Warum dies nicht nur ein weiteres KI-Pharma-Tool ist
KI im Bereich der Wirkstoffforschung ist seit einigen Jahren aktiv, viele Unternehmen kamen und gingen.
Der Unterschied von Amazon Bio Discovery liegt darin: Es verkauft nicht nur Modelle oder Rechenleistung, sondern verbindet die Berechnungsseite mit der Experimentalseite.
Der langsamste Teil der Arzneimittelentwicklung war nie das Ausführen von Modellen, sondern das Warten auf Labortestergebnisse, die Verbindung der Informationsflüsse zwischen Rechenvorhersage und physikalischer Verifikation und die Befähigung eines Biologen ohne Programmierkenntnisse, KI-Werkzeuge zu nutzen. Diese drei Probleme adressiert Amazon Bio Discovery direkt.
Natürlich ist die Plattform gerade erst gestartet, und umfassende Kosten- und Erfolgsratendaten müssen sich noch ansammeln. Der MSK-Fall ist der beste Anfang, aber vom Entwurf vieler Kandidaten bis zur tatsächlich schnelleren Entdeckung eines wirksamen Medikaments ist es noch ein weiter Weg.
Dennoch ist der Ansatz beachtenswert: Die Einbettung von KI-Agenten in den physikalischen Laborbetriebszyklus – dieses Framework lässt sich direkt auf Materialforschung, Lebensmittelwissenschaft und Agrarchemie übertragen, auf jedes Gebiet, das umfangreiche Experimentieriterationen erfordert. AWS hat diesmal die Pharmaindustrie gewählt, weil der Markt groß genug, der Bedarf dringend genug und die Kunden bereits vorhanden sind.
Quellenangabe: AWS Launches Amazon Bio Discovery Agentic AI to Accelerate Drug Development (Genetic Engineering & Biotechnology News), CocoLoop, Amazon launches its AI drug discovery platform (pharmaphorum)