AWS 用 GraphRAG 与 BYOKG 重塑药物研发知识检索

在药物研发的早期阶段，科研人员长期面临一个核心难题：分散在文献数据库、内部实验记录、基因数据库等系统中的关键信息难以联通，5% 左右的命中率与超过 6 个月的筛选周期成为行业顽疾。AWS 机器学习团队近日发布了一篇技术博客，提出以「自带知识图谱（BYOKG）」加「基于图的检索增强生成（GraphRAG）」的方式，把这些散落的数据整合为可推理的知识网络。

行业痛点：分散数据与隐性知识流失

制药企业早期药物发现的成功率长期偏低，传统筛选一次平均耗时超过 6 个月。研究者需要同时跨 PubMed、内部实验笔记、组学数据库等多个来源拼凑信息，重复劳动多、关联线索易遗漏。当资深科研人员离职时，相关「隐性知识」往往随之消失，进一步削弱机构的科研连续性。这些问题让监管所需的证据链追溯也变得困难。

方案核心：BYOKG + GraphRAG 架构

博客介绍的整体方案由两条主线组成：

• 知识图谱层：基于 Amazon Neptune Analytics 构建统一知识网络，把植物、化合物、基因、蛋白质及其与健康效应的关联整合起来，并融合 PubMed、Gene Ontology 等公共数据源与企业内部数据，通过自动摄入流水线持续扩充。
• 生成式 AI 层：借助 Amazon Bedrock 提供的大模型，把自然语言问题转化为对知识图谱的查询请求，再以可解释、可追溯的方式返回答案。

关键能力在于「可解释」：每条回答都会附带引用路径与图遍历步骤，科研人员能清楚看到结论是如何从多篇论文与多个数据点推导而来，从而兼顾效率与科学严谨性。

应用价值与边界

对研究者而言，这套架构的吸引力在于：可以用自然语言直接提问，系统即时返回附引用的证据化回答，并可通过交互式可视化进一步追溯关系、验证假设。从工业实践角度看，它意在帮助科研团队更快形成可检验的假说，降低知识流失带来的隐性成本。

需要指出的是，这篇文章本质上是 AWS 云服务（Neptune Analytics + Bedrock）在制药场景下的应用蓝图，并非新的模型发布或学术研究突破。其方法论——把知识图谱作为 RAG 的外部知识库——在 AI 社区已有较多讨论，本文更多展示的是 AWS 栈上的工程实现。读者若关注的是模型能力本身的进展，可将其视为企业级落地的参考案例，而不宜视为前沿研究信号。