AWS hat am 8. Juli 2026 im hauseigenen Machine-Learning-Blog eine Referenzarchitektur für die pharmazeutische Forschung vorgestellt. Im Zentrum steht eine Kombination aus einem selbst mitgebrachten Wissensgraphen (“Bring Your Own Knowledge Graph”, BYOKG) und GraphRAG – einem Verfahren, das Graphdatenbanken mit generativer KI verbindet, um komplexe Zusammenhänge zwischen wissenschaftlichen Entitäten per natürlicher Sprache abfragbar zu machen. Verfasst wurde der Beitrag von vier AWS-Mitarbeitenden aus den Bereichen Customer Solutions, Solutions Architecture und angewandte KI.
Das Problem: verstreutes Fachwissen
Ausgangspunkt des Blogposts ist eine in der Pharmaforschung verbreitete Beobachtung: Relevantes Wissen liegt oft verstreut in Fachpublikationen, internen Laborprotokollen und Genomdatenbanken vor, ohne dass sich diese Quellen leicht miteinander verknüpfen lassen. Laut AWS führt das dazu, dass die frühe Phase der Wirkstoffforschung nur eine Erfolgsquote von etwa 5 Prozent erreicht und ein einzelner Screening-Durchlauf mehr als sechs Monate dauern kann. Hinzu komme der Verlust von institutionellem Wissen, wenn erfahrene Forschende ein Unternehmen verlassen.
Wie die Architektur funktioniert
Technisch setzt AWS auf Amazon Neptune Analytics als Graphdatenbank, die firmeneigene und öffentliche Datenquellen wie PubMed in einem gemeinsamen Wissensgraphen zusammenführt. Für die Verarbeitung natürlicher Sprache kommt laut Blogpost Amazon Bedrock mit dem Modell Claude 3.5 Sonnet zum Einsatz, während Amazon Comprehend Medical medizinische Fachbegriffe extrahiert und etwa mit ICD-10-CM-Codes verknüpft. Amazon SageMaker dient als Entwicklungsumgebung, Amazon S3 als Datenspeicher. Nutzer:innen sollen so Fragen in natürlicher Sprache stellen und Antworten erhalten, die nachvollziehbar auf konkrete Quellen – sowohl publizierte Literatur als auch interne Datensätze – zurückgeführt werden können, was AWS als Vorteil für regulatorische Nachvollziehbarkeit hervorhebt.
Die genannten Effizienzgewinne – und ihre Grenzen
AWS beziffert den Effizienzgewinn im beschriebenen Szenario auf 87 Prozent: Die frühe Screening-Phase soll sich von rund sechs Monaten auf drei Wochen verkürzen. Ergänzend nennt der Blogpost eine um 70 Prozent kürzere Prüfzeit, einen um 85 Prozent schnelleren Datenzugriff und eine um 90 Prozent verbesserte Wissensnutzung. Wichtig für die Einordnung: Diese Zahlen beziehen sich, wie aus den im Beitrag genannten Kostenangaben hervorgeht, auf ein von AWS selbst demonstriertes Beispielszenario mit einem vergleichsweise kleinen Testdatensatz von rund 161 Megabyte – nicht auf eine große, produktiv laufende Pharma-Datenbank. Ein konkretes Pharmaunternehmen, das die Architektur im Wirkbetrieb einsetzt, nennt AWS nicht; die Rede ist allgemein von “führenden Pharmaunternehmen”. Die Zahlen sind daher als illustrativer Anwendungsfall zu verstehen und unabhängig nicht überprüfbar.
Der Fachdienst AI News griff die Ankündigung einen Tag später auf und übernahm die von AWS genannten Kennzahlen, ohne eine eigene, unabhängige Bestätigung der Werte zu liefern.
Einordnung: Wettbewerb um KI-Werkzeuge für Life Sciences
Die Ankündigung reiht sich in einen breiteren Trend ein, in dem Cloud-Anbieter wissensgraphbasierte KI-Werkzeuge gezielt für regulierte, wissensintensive Branchen wie Pharma und Life Sciences positionieren. GraphRAG-Unterstützung ist bei Amazon Bedrock Knowledge Bases bereits seit 2025 allgemein verfügbar; der neue Blogpost zeigt vor allem, wie sich dieser Baustein mit einem selbst mitgebrachten Wissensgraphen und medizinischer Textverarbeitung zu einem branchenspezifischen Anwendungsfall kombinieren lässt. Ob sich die im Demoszenario gezeigten Effizienzgewinne auf reale, deutlich größere und heterogenere Pharma-Datenbestände übertragen lassen, bleibt eine offene Frage – belastbare, unabhängig geprüfte Zahlen aus einem realen Forschungsbetrieb liegen bislang nicht vor.
