生物模型

9% 到 78.5%：AI 把抗体设计做通了，然后撞上了验证这堵墙

2026年11月10日1 次阅读
9% 到 78.5%：AI 把抗体设计做通了，然后撞上了验证这堵墙

导语

在 11 月 6 日香港的一场行业峰会上，和铂医药高级副总裁冯玉兰给了一组非常具体的数字：公司用自研的 HCAb 模型做 de novo 抗体设计，新生成 107 条全新分子序列，与靶点的结合成功率从过去的约 9% 提高到 78.5%。

这个数字如果站得住，意味着「让模型凭空写出一个能结合指定靶点的抗体」这件事，在工业场景里已经不再是演示。但同一场会上，另一个数字同样刺眼：瑞孚迪副总裁刘疆说，高通量平台把筛选速度提高了 50 到 100 倍，而客户对验证能力的需求增长了约 70 倍。

设计快了，验证没快。于是 AI 制药的瓶颈，当场从「能不能找到分子」挪到了「谁来把这几万个分子一个个验完」。

（本文基于多家媒体转述整理，数字与现场表述以财联社、科创板日报/21 财经、上观新闻，以及转述《华尔街日报》11 月 4 日报道的 Chosunbiz、Winzheng 为准。）

先把三件最容易误读的事说在前面：78.5% 是单家公司高管在会议上的口径，没有论文、没有模型卡、没有公开评测；这是应用侧指标，不是新的蛋白模型发布；「设计成功率」和「成药率」是两件事，中间隔着毒理、PK、临床，而这一段的失败率目前没有被 AI 撼动。

3分钟看懂

  • 发生了什么：2026 年 11 月 6 日，第三届「国际生物计算创新峰会 2026」在香港会议展览中心举行，由百图生科主办、香港投资管理有限公司支持，约 300 名产学研投代表参加。
  • 最硬的数字：和铂医药 HCAb 模型的 de novo 抗体平台，生成 107 条全新序列，结合成功率 9% → 78.5%，口径来自公司高级副总裁冯玉兰。
  • 为什么会「快过头」：过去靠动物实验和低通量筛选自然淘汰掉大量脱靶分子；改成计算筛选后，高亲和力候选成批出现，要验的分子反而变多。瑞孚迪称筛选速度提升 50–100 倍，客户验证需求涨约 70 倍。
  • 行业怎么应对：把湿实验搬进公司内部做闭环。百图生科在港选址高通量湿实验室，与瑞孚迪做干湿闭环联合创新，并计划与淡马锡生命科学研究院在新加坡共建 AI 生物计算中心；和铂与百图合办的 MegaStream 已推进 5 条管线，干湿闭环实验室预计 12 月开工。
  • 反方怎么说：Vertex 执行主席 Jeff Leiden 在《华尔街日报》11 月 4 日的报道里说，他们用约 50 家 AI 公司分析 1 万个候选化合物的数据集，「仍然没有做出一个真正有效的药」；截至该报道，全球没有一个 AI 设计的药物拿到 FDA 批准。
  • 钱还在进：麦肯锡口径（经 Chosunbiz 转述），2025 年全球 AI 药物研发的 VC/PE 投资 84 亿美元，两年前约 40 亿，翻了一倍多。
  • 一句话记住：AI 把「发现」这一段打通了，代价是把压力全部转移到了「验证」这一段——而验证靠的是实验台、试剂、人和时间，不靠参数量。

78.5% 到底在说什么

先把术语拆开。抗体设计里的「de novo」指的是不从现有抗体改，而是给定靶点、让模型直接生成全新的序列。「结合成功率」指的是生成并表达出来的抗体里，有多少能真的结合上目标——通常用 ELISA、BLI 或 SPR 判定。

传统做法靠大规模库筛选：奥博资本董事瞿佳润在同一场会上描述过这个变化——五年前做抗体设计，要从百万量级的序列库里才能找到少数正确设计；现在测试 50 条以内，就能拿到个位数纳摩尔亲和力的命中分子。

从 9% 到 78.5%，是「设计端」的命中率提升。它不包含：这些抗体在人身上是否安全、是否稳定、能否量产、有没有免疫原性、会不会脱靶。这也是为什么同一场会上，讨论重点很快就从「模型多强」转到了「验证怎么办」。

必须说清的限定：78.5% 只有财联社一个信源，是单一公司高管在会议上的发言，没有配套论文、预印本或模型卡；107 条序列涉及几个靶点、每条测了几次、阴性对照怎么设，都没有披露；9% 这个基线来自「过去」，不是同批实验的对照臂。把它当成「国产 AI 抗体设计已达 78.5% 成功率」的行业结论，是过度解读。

瓶颈为什么会在「验证」这一端

这是个反直觉的因果链，值得单独讲。

传统药物发现里，动物实验和低通量筛选承担了一个隐性功能：大量淘汰。你送 1000 个分子进去，可能只有几十个能进下一步，绝大多数在早期就被自然筛掉了，成本低、速度快。

换成计算筛选后，模型一次给你几百上千个「预测高亲和力」的候选。这些候选在计算层面看起来都很像，你必须真的合成、表达、测结合，才能知道哪个是真的。于是「要验的分子数」不是线性增长，而是成批增长。

刘疆给的两个数字把这个错配量化了：筛选端快 50–100 倍，验证端需求涨约 70 倍。这就是为什么 2026 年这一轮 AI 制药公司的动作，几乎全部指向同一件事——自建湿实验室、买高通量平台、做干湿闭环。

MegaStream 是这套逻辑的样本

和铂医药与百图生科在 2026 年 6 月共同发起 MegaStream，定位「AIDD 3.0」，即模型研发、干湿实验、药物开发在同一体系内闭环，实验与下游数据回流训练模型。CEO 雷鸣在会上给了几个可核对的节点：

  • 已推进首批 5 条管线，覆盖自身免疫与肿瘤，部分 AI 设计分子拿到初步实验验证数据
  • 首个项目 IND 申报目标：2027 年上半年（21 财经口径；财联社写作「2027 年」）
  • 百图基座模型训练参数超 2,600 亿；雷鸣估算，一家小型产品公司要独立复刻，至少要花几千万美元
  • 干湿闭环实验室预计 12 月开工

注意这里的时间尺度：2026 年 11 月还在建实验室，2027 年上半年才申报 IND，IND 之后是 I、II、III 期。而《华尔街日报》那篇报道提到，进入 III 期的两个候选（MindRank 的 MDR-001、Insilico 的 rentosatib）分别在 2026 年 2 月和 7 月进入 III 期，单是 III 期通常就要三年以上。

反方证据：0 / 50 与 0 个批准

这轮报道里最有价值的部分，是它没有只写好消息。

按 Chosunbiz 与 Winzheng 对《华尔街日报》11 月 4 日报道的转述，Vertex 执行主席 Jeff Leiden 描述了一次内部测试：邀请约 50 家 AI 公司，用同一份含 1 万个候选化合物的数据集做分析，结果「仍然没有做出一个真正有效的药」，他的结论是「我不认为 AI 能自己开发出一个新药」。

阿斯利康 CEO Pascal Soriot 的说法更克制：「疾病是复杂的，生物学是复杂的。说 AI 会治愈癌症，可能有点言过其实。」再生元总裁兼首席科学官 George Yancopoulos 的表述是：AI 会在实验室层面提供帮助，但不会「奇迹般地告诉我们该做什么」。

还有一个结构性数字：麦肯锡高级合伙人 Alex Deverson 的分析（经同一组报道转述）指出，进入中后期临床试验的药物里，约 25% 的失败源于安全性问题，主要就是脱靶效应——而现有 AI 模型对这类效应的预测能力有限。

把两边拼起来看：设计端的命中率从 9% 涨到 78.5%，是「更快的筛选」；临床端的 25% 脱靶失败和 0 个 FDA 批准，是「没变的生物学」。两者不在同一个环节上，不能互相证明，也不能互相否定。

钱在往哪流：不是撤，是换结构

反差最大的一点是，药企高管的谨慎并没有带来资本退潮。

  • 全球投资：2025 年 AI 药物研发的 VC/PE 投入 84 亿美元，两年前约 40 亿（麦肯锡，经 Chosunbiz 转述）
  • 中国侧：2025 年中国创新药对外授权交易总值接近 1,400 亿美元，约为 2021 年的 10 倍（香港财政司司长陈茂波在峰会致辞中给出）
  • 交易结构：阿斯利康与 Insitro 的合作是 4,000 万美元首付 + 最高 14.6 亿美元里程碑（Winzheng 转述）
  • 合作密度：峰会签约项目从上届的 3–5 个增到今年的 11 个，方向覆盖中医药、癌症虚拟细胞模型、AI 育种与海外市场（财联社）

首付小额、里程碑大额，这个结构本身就是药企对 AI 的定价：愿意为「可能性」付一小笔钱，不愿意为「确定性」付大钱。科技公司那边是直接收购早期 biotech，药企这边是用里程碑合约保留退出空间——两种行为背后是两种判断。

顺带说一个容易被忽略的信号：义翘神州在 11 月 9 日通过 EQS 发布的官方通稿里，把「AI 设计分子的湿实验验证」做成了独立产品 4RISE，并作为「长江杯」AI 蛋白质设计挑战赛（7 大赛道、7,000 条验证）的验证支持方。验证能力正在被产品化、被单独定价——这是瓶颈存在的直接商业证据。

怎么用：把这条新闻变成你自己的判断工具

  1. 看到任何「AI 设计成功率 X%」时，先问三件事：谁的数？测了几个靶点？判定标准是什么（ELISA 阳性 / BLI 命中 / 亲和力阈值）？三个都没答上来，就只当参考，不当结论。这次的 78.5% 就属于这一类。
  2. 区分「设计指标」和「成药指标」。设计端看命中率、亲和力、可开发性（稳定性、溶解度、表达量）；成药端看毒理、PK/PD、免疫原性、临床终点。两套指标不能混着比。
  3. 如果你在选平台供应商，别只看它宣称的命中率，问它「验证是谁做、多久出结果、一条多少钱」。验证吞吐才是真实交付能力的上限。
  4. 如果你在做 AI for Bio 的产品，把「验证对接」当成产品的一部分而不是售后：预设好合成、表达、BLI/SPR 的接口和排队时间，客户才不会在你的模型输出面前卡住。
  5. 如果你在看这条赛道的投资标的，把「有没有自有湿实验室 / 有没有稳定的实验数据回流」当成比参数量更硬的指标。MegaStream 拿 12 月开工的实验室当卖点，逻辑就在这里。

适用场景

  • 抗体/大分子早筛：给定靶点生成候选序列，再用高通量结合实验筛。这是本轮 78.5% 数字对应的场景，也是最成熟的一段。
  • 多特异性抗体设计空间压缩：把多个单抗模块组合时组合爆炸，计算筛选能在进实验室前砍掉绝大部分，圣诺菲的 Furtmann 在 GEN 的报道里描述过同类做法（数十万级分子不可能全测）。
  • 验证资源排产：把「AI 输出量」和「实验台通量」放在同一张排期表上做容量规划，这是 2026 年这轮公司集体补课的地方。
  • 投资/BD 尽调：用「设计端指标 vs 成药端指标」两栏表去问标的公司，比听路演有效。

不适用场景

  • 当成「AI 能造药」的证据：78.5% 是结合成功率，不是成药率，更不是临床成功率。0 个 AI 设计药物获 FDA 批准这个事实没有变。
  • 当成跨公司横评：单信源、单公司、判定标准未公开，不能拿去和 Chai、Isomorphic、Nabla 的数字对比。
  • 当成新模型发布：这里没有新权重、新架构、新 benchmark。HCAb 是已有平台，本轮公开的是应用结果。
  • 把 1,400 亿美元读成收入：那是对外授权交易总值，包含首付与里程碑的名义总额，不等于到账现金，也不等于 AI 的贡献。
  • 推断临床时间表会同步缩短：III 期本身三年起步，AI 目前主要压缩的是临床前那一段。

避坑

  • 别把 78.5% 写成「准确率」。它是「生成序列中能结合靶点的比例」，分母是公司自己选的候选集合，不是全体可能序列。
  • 别忽略 9% 的基线来源。这是「过去」的历史值，不是同批实验的并行对照，两批实验的靶点难度、判定方法可能不同。
  • 别把「70 倍验证需求」当成精确统计。这是瑞孚迪高管对客户需求的描述性说法，没有给出统计口径。
  • 别把 50–100 倍提速和 70 倍需求直接相减。两者的计量单位不同（筛选通量 vs 验证需求量），相减没有意义。
  • 引用 Leiden 的话要对准版本：Chosunbiz 引的是「仍没做出真正有效的药」「AI 不能自己开发新药」；另有媒体概括为更激烈的措辞。写作用前者，别放大。
  • 别把峰会签约数当业绩。11 个合作项目是意向与启动，不等于收入或里程碑达成。

成本 / 时间

  • 读懂这条新闻：财联社 + 21 财经两篇约 15 分钟，能拿到全部设计侧数字与管线节点；再加 Chosunbiz 一篇约 8 分钟，拿到反方与投资数据。合计 25 分钟内可形成完整判断。
  • 复刻一套基座模型的成本：雷鸣估算，2,600 亿参数级的基座，小型产品公司独立复刻「至少要几千万美元」——这是训练成本，不含数据与实验。
  • 建闭环的时间：MegaStream 的干湿闭环实验室 12 月开工，首个 IND 目标 2027 年上半年。也就是从「成立」到「第一次申报」约一年到一年半。
  • 临床端的硬时间：III 期通常三年以上；目前最靠前的两个 AI 设计候选 2026 年 2 月、7 月才进 III 期，商业化还要数年。
  • 验证单价：这一项公开报道没有给数。实际做预算时按「合成 + 表达 + 结合实验」三段询价，别用筛选成本推算。

行动建议

  1. 先把 78.5% 归档为「待验证的强信号」，别写进任何对外材料的「行业基准」栏。等它出现论文、模型卡或第三方复现再升级。
  2. 如果你在药企做评估，把问题从「你的模型多强」换成「你的验证吞吐是多少、一条候选从设计到出数据要几天」。这个问题的答案会立刻筛掉一批供应商。
  3. 如果你在 AI 团队，现在就该和一个实验服务方建立固定接口，而不是等模型跑出几千条候选才去找谁验证。
  4. 如果你在跟踪这条赛道，盯三个后续节点：MegaStream 12 月实验室是否如期开工、2027 年上半年 IND 是否申报、以及 MDR-001 / rentosatib 的 III 期读出。
  5. 保持两栏视角：设计端每月都在刷新数字，成药端几年才动一次。任何只讲其中一栏的报道，都值得打个折看。

参考来源

（本文基于多家媒体转述整理。）

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...