AWS 日本語

AWS、AIエージェントを実験室に導入し創薬を加速

Cocoloop編集部 · 検証済み公開情報をもとにローカライズ

アマゾンは4月中旬のAWSライフサイエンスシンポジウムで、新プラットフォーム「Amazon Bio Discovery」を発表した。

メモリアル・スローン・ケタリングがんセンター（MSK）は最初のテストユーザーの一つだ。彼らは象徴的な成果を挙げた。小児がん標的に対する約30万件のナノボディ候補を数週間で設計し、最も優れた10万件を直接ウェットラボに送り、合成と試験を実施したのである。

このプロセスは通常、1年かかる。

プラットフォームの仕組み

Amazon Bio Discoveryは3つの要素を組み合わせている。

1. 生物基礎モデルライブラリ

プラットフォームには、タンパク質構造予測、抗体設計、薬物分子生成などをカバーする、生物データに特化して訓練された40以上の基礎モデルが搭載されている。モデル提供機関にはApherisとBoltzが含まれ、BiohubとProfluentも参加予定だ。汎用大規模言語モデルとは異なり、これらのモデルは生物実験データで訓練されており、分子の構造-機能関係を的確に理解している。ユーザーは自機関の実験データを使ってモデルを微調整することもでき、独自の訓練パイプラインを構築する必要はない。

2. AIエージェントインターフェース

これが非計算専門家でも使えるようにする鍵だ。自然言語で実行内容を指示する（例：この標的タンパク質に結合できるナノボディを見つける）と、AIエージェントが自動的に適切なモデルを選択し、実験フローを設計し、計算結果を解釈する。コーディングは一切不要だ。

AWS幹部のRajiv Chopra氏は、AIエージェントにより強力な科学的能力がもはや計算研究者だけのものではなくなると述べている。

3. ラボインザループインターフェース

これがAmazon Bio Discoveryを真に特別なものにしている。プラットフォームは計算を行うだけでなく、実際のウェットラボに直接接続する。AIが有望な候補分子を選別すると、ワンクリックでパートナーラボに提出し、物理的な合成と試験を依頼できる。現在のラボパートナーはTwist BioscienceとGinkgo Bioworksで、A-Alpha Bioも間もなく加わる。試験結果は自動的にモデルにフィードバックされ、次の設計パラメータを最適化する。これが実験ループである。AIが設計 → ウェットラボが検証 → 結果がフィードバック → AIが再設計。

MSKの事例が意味するもの

メモリアル・スローン・ケタリングがんセンターは米国を代表するがん研究機関である。彼らのテストケースは以下の通り。

  1. 小児がん関連標的タンパク質の構造データを入力
  2. AIが約30万件のナノボディ設計案を生成
  3. 製造可能性、安定性などの基準でフィルタリングし、10万件をウェットラボに選定
  4. 数週間以内に実験結果を取得

AWSはこのプロジェクト専用の科学ホワイトペーパーを発表し、ナノボディ設計プロセス全体を記録している。従来のプロセスでは、設計-試験-反復の1サイクルだけで数ヶ月を要し、全サイクル完了には通常1年かかる。これは単に計算が速くなったという問題ではない。核心は設計と検証の間の情報フローを接続し、その間の手作業による調整の摩擦を排除したことにある。

利用者

判明している初期ユーザー：

  • バイエル（Bayer）：世界最大の製薬会社の一つ
  • ブロード研究所（Broad Institute）：MITとハーバードが共同設立したゲノム科学研究機関
  • Voyager Therapeutics：神経疾患の遺伝子治療に特化

AWSはまた、世界のトップ20製薬企業のうち19社がすでにAWSクラウドサービスを研究に利用しているという背景データも開示した。今回の取り組みはゼロから顧客を開拓するのではなく、既存顧客への深い統合である。

なぜこれが単なるAI創薬ツールではないのか

AIは創薬分野でここ数年活況を呈しており、様々な企業が登場しては消えていった。Amazon Bio Discoveryが異なるのは、モデルや計算能力を販売するだけでなく、計算側と実験側を接続した点にある。

創薬で最も時間がかかるのは、モデルを実行することではなく、ラボの試験結果を待つこと、計算予測と物理的検証の間の情報ギャップを埋めること、そしてコーディングができない生物学者がAIツールの使い方を理解することである。Amazon Bio Discoveryはこれら3つの問題すべてに正面から取り組んでいる。

もちろん、プラットフォームは稼働したばかりであり、大規模なコストと成功率のデータが蓄積されるには時間がかかる。MSKの事例は素晴らしいスタートだが、より多くの候補を設計したことと、実際に病気を治す薬をより速く発見したことの間には、まだ距離がある。

しかし、そのアプローチは注目に値する。AIエージェントをラボの物理的操作ループに組み込むというこのフレームワークは、材料発見、食品科学、農業化学など、大規模な実験反復を必要とするあらゆる分野に直接応用できる。AWSが今回製薬を選んだのは、市場が十分に大きく、ニーズが十分に切迫しており、顧客がすでに存在していたからだ。

出典：AWS Launches Amazon Bio Discovery Agentic AI to Accelerate Drug Development（Genetic Engineering & Biotechnology News）、CocoLoop、Amazon launches its AI drug discovery platform（pharmaphorum）