打开生物医药的AI算法世界！就在6月！AIBC2025专家演讲精彩抢先看！

01

大会信息

02

内容安排

03

部分已确认专家和演讲信息

徐峻

中国科学院合肥物质院健康与医学技术研究所生物医学大数据研究中心主任/香港中文大学（深圳）铁代谢联合实验室主任

徐峻教授现任中国科学院医学技术研究所生物医药大数据研究中心主任、中科院深圳先进研究院特聘研究员、香港中文大学(深圳)铁代谢实验室主任、英国皇家化学会会士。 1989年毕业于中国科学技术大学。硕士和博士论文的题目分别是化学专家系统的建立和计算机辅助有机合成路线设计。他的AI研究历程可以追溯到上世纪80年代。主攻人工智能和图论算法在药物设计中的应用，是子图匹配、多维蛋白质NMR结构解析、分子图簇分析、关系式化学结构数据库搜索引擎、机器学习辅助药物设计等算法的作者。徐峻1990-1993年分别在澳洲国立大学、加拿大麦基尔大学做博士后研究。

历任美国TRIPOS分子设计公司资深科学家，BIO-RAD萨特勒实验室研发部总监，德国Boehringer Ingelheim制药公司药物设计主管科学家，美国BioFocus-DPI制药公司药物设计总监和Fellow。徐教授长期在第一线从事方法学算法研究和药物发现实验研究。在方法学研究基础上，发现了多种抗代谢疾病药物、抗癌、抗γ型人类疱疹病毒的新先导化合物和新靶标。徐峻2009年归国创建中山大学药物分子设计研究中心，涵盖药物设计、结构生物学、天然药物化学、药物筛选与机理研究。徐峻是国家“新药创制重大科技专项”、广东省生物大数据重大专项、广州市药物创新重大科技专项的主持人。徐峻以第一或通讯作者在国际主流杂志发表研究论文140多篇，30多项授权药学发明专利实现转化，抗复发性肿瘤首创药物即将完成IND研究。《药物发现方法学——研究范式的演化》(ISBN: 978-7-03-076100-2)是徐教授的代表作，介绍了AI辅助药物发现的底层逻辑及技术演化。

【演讲题目】后大模型时代的AI与精准医学的实现

邱婧君

复星医药全球研发中心副总裁

邱婧君博士，复星医药合伙人，全球研发中心副总裁，生物统计与数据科学部总经理。曾就职于美国耶鲁大学医学院、默沙东(美国Merck)、拜耳和百济神州。

十几年不同地区、不同治疗领域临床试验研究的丰富经验；参与从药物临床研发战略规划到临床试验及上市后研究的各重要阶段，包括早研转化与BD尽调项目；同时负责集团AI+医药项目的规划与推进。

现任中国统计理论与方法、中国医药统计与教育、中国药促会、CSCO、北京统计协会等专委会委员，并支持不同课题工作小组，如CDE若干指导原则、IFPMA ICH-E20-Adaptive design、E17-MRCT、E9(R1)-Estimand蓝皮书工作组等，并与北大/清华/人大/药科大/医肿等科研机构建立合作关系或客座授课。

作为DIA/CMAC/AIIA(国际人工智能产业联盟)等统计与数据科学工作组核心成员，长期热心推动医药社区各种活动，如组织年会及定量科学论坛、统计学术研讨会、OnSite肿瘤研究者培训课程、能力建设学院统计方法学培训、数据建模大赛和年会壁报评选、教材和书籍编写等。

【演讲题目】AI医药研发的生态构建与应用场景

【演讲摘要】新药的研发效率逐年递减，这个传统领域急需利用最先进的技术帮助我们穿越周期。近年机器学习和人工智能的技术已经迈入一个新的台阶。希望通过交流探讨数字化与人工智能技术在医药研发中的革命性作用及其生态系统的构建。通过整合AI算法、高性能计算、多源数据共享和政策支持，AI正在推动药物发现、临床试验和个性化医疗等领域的智能化与精准化。生态构建的核心在于技术、数据、应用场景和产业协同的深度融合，同时需解决数据质量、伦理监管和产业合作等挑战。未来，AI医药研发生态将大幅缩短研发周期、降低成本、提高成功率，并推动精准医疗的普及，最终实现从“大海捞针”到“精准爆破”的转变，为人类健康事业创造更大价值。

夏明德

英诺湖医药董事长/CEO

夏明德博士是英诺湖医药创始人，董事长和首席执行官，美中-药协（SAPA）全球董事（原总会会长）。夏博士在创立英诺湖医药公司前，在强生集团工作21年（JRD, COSAT, APIC, WWDA, GEI），任全球外部创新高管，具有丰富的新药研发经验，高超的投资孵化和商务运作能力。他还致力于推动国际项目合作, 资本投资和产业孵化，成功领导了超过50项强生外部合作项目。他在创新药物研究领域（覆盖药物设计和临床试验）取得了令人瞩目的成绩，收到很多嘉奖。 在此之前夏博士曾在中国药科大学和耶鲁大学工作。美国化学学会的化学与工程新闻杂志曾对夏博士的有关科技成果进行了特别报道，作为科技领域的突破性进展。夏博士发表过超过80篇重量级文章和专利, 在哈佛大学商学院接受过培训，并担任中国科学院客座教授，几种世界一级杂志的审稿人，以及众多知名创新创业大赛的评委，大力促进了中国生物医药行业的对外交流。作为大会主席，组织并主持了许多国际学术研讨会。

周耀旗

深圳湾实验室系统与物理生物学所资深研究员/副所长

周耀旗教授是深圳湾实验室资深研究员和系统与物理生物学研究所副所长，也是靶向RNA小分子药的公司砺博生物的科学创始人，畅销书《出发：不断走出舒适区的科研生活之旅》的作者。在此之前，他是中国科技大学近代化学系的学士，美国纽约石溪大学的博士，北卡州立大学、哈佛大学的博士后，布法罗大学助理教授，副教授，印第安纳大学正教授，澳大利亚格里菲斯大学教授。他长期在结构生物信息学方面工作，曾经多次在国际蛋白质/RNA结构预测和功能预测比赛中名列前茅。他的科研成果的原创力和影响力获得了世界专家同行的肯定，入选了全球前2%顶尖科学家“终身科学影响力排行榜”和“年度科学影响力排行榜”，“中国高被引学者（生物学）榜”等。谷歌学者总引用19,400余次，H因子75。回国后获得了中国科技部、基金委以及广东省科技厅等多个重大项目的资助。目前从事基于AI和高通量实验的关于蛋白质/RNA的基础和应用研究。

【演讲题目】人工智能在蛋白质结构预测的局限和对策

【演讲摘要】2020年，AlphaFold 2 实现了一项被认为几乎不可能实现的目标：预测的蛋白质结构达到了实验测定的精确度。这个出乎意料的高精度预测是通过端到端的深度学习、利用大数据和大模型，找到了多个同源序列与相应的“单一”结构之间的关系。也就是说，AlphaFold 2强烈依赖于多序列比对（MSA）中的进化和协同进化信息。对于找不到太多天然同源序列的或者进化突变的覆盖率不完全的蛋白质（例如抗体，病毒蛋白，复合物结构等），AlphaFold 2 预测的精确度和区域置信度就会大幅度下降，导致了人类蛋白质组里的残基只有36%可以被高可信地预测。2024年出现的AlphaFold3以及其他AI的方法并没有解决这个问题。在这个报告里，我们采用人工生成的、结构稳定性选择、高通量测序获得的同源序列来拓展AlphaFold 3的应用范围。初步结果为快速、低廉、通过测序来对所有蛋白质实现高精度结构预测走出了第一步。

王如伟

扬子江药业集团董事长特别助理/药物研究院院长

王如伟，男，免疫学博士。中共党员，现任扬子江药业集团董事长特别助理、首席科学家，药物研究院院长。中国科学院特聘研究员，复旦大学兼职教授，博士生导师（浙江大学、浙江中医药大学，沈阳药科大学）。国家药典委员会委员（连任三届）、国家科技部重大专项（国际合作、奖励专项）审评专家。曾获全国优秀科技工作者，首批浙江省万人计划创新领军人才、上海明珠领军人才等，享受国务院政府特殊津贴。长期从事新药研发、国际化、投资孵化等工作。主持新产品研究开发100多项，多个产品获FDA、欧盟、SDA批准上市，产生巨大社会和经济效益。

韩涟漪

恒瑞AIDD负责人

韩涟漪教授、博导。恒瑞医药AIDD负责人。在AI药物研发与数字医疗的学术及产业工作20年。曾任职美国国家卫生院（NIH）科学家、腾讯美国AI医疗实验室首席科学家。 在公共卫生（Public Health），人工智能药物设计（AIDD）及数字诊疗（AIDT）领域主导和参与了多个国际项目，SCI杂志发表科学论文80余篇，引用1.5万。

【演讲题目】AI药物研发（AIDD）

【演讲摘要】高性能计算（HPC）与人工智能（AI）的深度融合，正推动生命科学领域尤其是AI辅助药物发现（AIDD）实现多维度突破。在靶点发现方面，AI通过整合多组学数据、蛋白质结构预测及动态构象分析，高效挖掘潜在药物靶点。在分子设计领域，生成式AI（如变分自编码器、扩散模型）基于海量化合物库生成新型分子结构，突破传统试错路径。在AI影像学方向，深度学习驱动的医学影像分析技术实现了病灶检测、三维重建及疾病预测的精准化。HPC的算力支撑尤为关键，这些技术的协同应用，正重塑从靶点验证到临床前研究的全链条，标志着生命科学进入“计算驱动创新”的新纪元。

郑明月

中国科学院上海药物所研究员

中国科学院上海药物研究所研究员，课题组长。担任中国计算机学会数字医学分会执行委员，中国化学会计算机化学专委会委员，中国生物信息学学会药物发现专委会委员。担任Molecular Diversity，Artificial Intelligence in the Life Sciences期刊副主编，2023年机械工业出版社《人工智能与药物设计》主编。研究方向是基于大数据和人工智能的药物设计技术开发，发展机器学习算法和模型用于活性化合物的作用机制和靶点发现、新靶点活性化合物的发现和成药性优化。近年来，在Nat Method、Immunity等杂志发表SCI论文200余篇，申请发明专利和软件著作权20余项。目前作为项目和课题负责人承担国家自然科学基金和国家重点研发计划等项目。获得国家杰出青年基金，获得药明康德生命化学研究奖等奖励和荣誉。

【演讲题目】基于AI的药靶作用预测

唐海谊

澳门理工大学人工智能药物发现中心主任

【演讲题目】针对被忽视感染病的智能药物重定位

【演讲摘要】药物研发是一项耗时且昂贵的过程，但许多感染病患者，尤其是发展中国家的贫困人群，往往难以负担高价药物。此外由于耐药性问题，以及长期较低的销售利润，制药企业也减少了对新型抗寄生虫药物的投入，导致许多被忽视感染病缺乏有效治疗方案。近年来人工智能技术在降本增效方面具有独特优势，为药物研发领域带来了新的可能性。药物重定位可以利用人工智能技术的方法，通过分析已有药物数据库和疾病的分子机制，探索已批准上市药物在其他疾病治疗方面的潜在用途。这种方法具有减少药物研发时间和成本的潜力，因为已有药物已经经历了一些临床试验和安全性评估。

澳门理工大学在智能药物重定位领域取得了一些初步进展，涵盖了非洲锥虫和利什曼虫药物发现等，是次汇报探讨智能药物发现如何能应用到抗寄生虫药物研发，并把我们研究方法的整个流程向各位听众呈现。这些前期研究为解决一些发展中地区感染疾病提供了新的思路和潜在的治疗选择。我们怀着诚挚的期望，希望通过新质生产力，为祖国、一带一路国家、葡语系国家乃至全球人民的健康做出努力。並期待未来能够见证更多科学研究和技术创新的突破，以提供更多可负担的药物选择，从而改善全球健康状况，为全人类健康事业做出应有贡献。

段宏亮

澳门理工大学副教授

段宏亮，澳门理工大学副教授。主要致力于采用人工智能技术进行环状多肽药物发现。曾有多项创新药项目取得了很好的产业转化，曾经积累了丰富的产学研转化经验。其中，作为核心成员开发的抗糖尿病药物以两亿元转让至法国施维雅制药公司，作为主要成员研发的3个一类新药现处于临床以及上市阶段。

【演讲题目】基于人工智能的环肽药物发现

【演讲摘要】本次演讲围绕基于人工智能的环肽药物发现展开。环肽广泛应用于自身免疫疾病、抗肿瘤等领域，市场潜力巨大。我们的研究团队开发了一个AI环肽药物平台，涵盖环肽分子的生成、活性预测和成药性评估。我们采用了多种创新技术，如HighFold用于环肽结构预测，以及CycleDesigner和HighPlay用于环肽的从头设计。这些技术帮助我们在多个针对多种疾病的项目中取得了显著进展。通过这些努力，我们期待加速环肽药物的临床开发，为未来的药物市场带来更多创新的治疗选择。

姚小军

澳门理工大学教授/学术带头人

姚小军博士，澳门理工大学应用科学学院教授，主要从事基于人工智能和分子模拟的药物设计方向的研究工作,相关的研究成果发表在Nature. Mach. Intell., Nat. Comm., Adv. Sci., WIRES Comput. Mol. Sci., Pharmacol. Ther., Acta Pharm. Sin B., Pharmacol. Res., Brief. Bioinfo., J.Med. Chem., J.Chem.Inf.Model., J. Cheminform.等刊物。

【演讲题目】融合人工智能和分子模拟的药物设计

【演讲摘要】本次演讲将系统介绍本课题组在基于人工智能和分子模拟的药物设计方法学的发展及其针对具体靶点的药物发现应用方面的研究进展。近年来，围绕药物设计和发现的多个应用场景，本课题组开发了系列的药物发现和设计新方法，这些方法涵盖了药物发现和设计中的多个具体场景：酶活性位点的高效识别、药物-靶标相互作用模式和亲和力的预测、结合机器学习和分子模拟的药物重定位、基于靶标结构的药物分子生成和优化、ADMET性质预测、数据驱动的合成路线规划和反应条件推荐等。

郭晶晶

澳门理工大学教授

郭晶晶博士，澳门理工大学人工智能药物发现中心教授、博士生导师。以“IT+BT”为导向，郭博士专注于AI药物与蛋白质设计，充分融合信息技术与生物技术，采用人工智能和大数据技术助推生命、医学科学研究。近年来，郭博士结合人工智能、分子模拟等先进技术，深入探索了多个关键靶标的结构、功能及动态过程，并基于这些靶标进行了靶向药物的设计与开发。同时，建立了多个药物重定位和蛋白质工程相关的AI技术平台。凭借扎实的跨学科背景和创新技术手段，郭博士在相关领域取得了一系列创新性成果，在Chem. Rev.，Elife，Angew. Chem. Int. Ed. Engl., Wiley Interdiscip. Rev. Comput. Mol. Sci. 等国际期刊发表SCIE论文 90 余篇。目前担任Current Research in Structural Biology杂志副主编。

【演讲题目】AI赋能蛋白质工程创新: 从热稳定性改造到功能预测多维探索

【演讲摘要】随着人工智能技术在生物学领域的深入应用，蛋白质工程正迎来前所未有的创新机遇。本报告将介绍我们团队在蛋白质设计与功能预测领域的最新研究进展，这些工作涵盖了从分子稳定性增强到酶功能预测的多个关键方向。我们开发的一系列AI模型实现了对蛋白质结构修饰的精准预测，对辅因子特异性机制的深入理解，以及对蛋白质功能注释的高效预测。通过整合结构与序列信息，我们建立了统一的预训练框架，在多个下游任务中展现出卓越性能。此外，我们还创新性地结合了多模态数据和多任务学习方法，构建了全面的酶工程预测系统。这些研究不仅推动了计算蛋白质设计领域的理论发展，也为酶工程、药物设计和合成生物学提供了实用工具，展示了人工智能在生物分子工程中的变革性潜力。

蕭詠然

澳门理工大学副教授

Shirley Siu为澳门理工大学副教授，其主要研究方向涵盖人工智能药物发现、生物分子模拟及分子力场。率先将群体智能与机器学习技术应用於蛋白质配体对接、药物靶标识别，以及生物分子活性与毒性预测等领域，致力於筛选具潜力的新型化学与生物候选药物。在多肽研究范畴，团队重点聚焦於具抗菌及抗癌特性的多肽，深入探究其作用机理。透过剖析多肽的构象变化、自由能改变，以及其与膜蛋白和细胞膜的相互作用关係。

【演讲题目】人工智能在多肽药物研发中的应用

【演讲摘要】近年来，人工智能在抗菌肽和抗癌肽等多肽药物研发领域展现出重要潜力。本报告将介绍AI技术在此方向的创新应用及研究成果。我们开发的“BERT-AmPEP60”模型，结合双向编码器及迁移学习策略，通过微调大规模蛋白质序列模型，成功构建了针对大肠杆菌和金黄色葡萄球菌的高準确度活性预测回归模型，为多肽药物筛选与活性评估提供新工具。

曾雳

和径医药CEO

曾雳博士于2021年11月加入和径医药担任首席执行官，拥有超过18年的新药研发和管理经验。曾博士先后在跨国药企诺华公司和礼来公司负责新药研发和项目管理，以及在罗欣药业、福贝生物和和铂医药等民营企业和生物技术公司负责战略规划和运营、新药产品线和项目管理。

曾博士分别在北京大学和斯坦福大学获得化学学士和有机化学博士学位，并在加州大学伯克利分校完成化学生物学的博士后训练。

任峰

英矽智能联合首席执行官兼首席科学官

任峰于2007年博士毕业于美国哈佛大学化学系，拥有超过15年药物研发行业经验。曾任跨国药企葛兰素史克的小分子创新药物研发负责人，成功研发出治疗帕金森病、多发性硬化症、疼痛、以及银屑病等多个临床候选药物和临床药物。2018年加入上海美迪西，历任副总裁、高级副总裁，全面负责化学部和生物部的研发服务业务以及公司的药物发现平台服务业务。

2021年2月，任峰博士加入英矽智能任首席科学官和药物研发负责人，负责利用英矽智能自主研发的AI平台推进内部研发管线并促进对外合作。在他的领导下，英矽智能研发团队发现了 22 款临床前候选化合物，其中 10 个分子获得了临床试验批件，涉及纤维化、炎症、肿瘤和抗病毒等多个疾病领域。任博士还在推动英矽智能的4项管线对外授权合作以及建立众多战略研发合作方面发挥了关键作用，这些合作的总价值超过 35 亿美元。2022年6月，任峰博士被擢升为英矽智能联合首席执行官。任峰博士已发表国际学术论文70余篇、国际专利百余件。

【演讲题目】从算法到临床，生成式AI赋能药物研发

陈红明

广州实验室研究员

陈红明博士先后在德国拜耳公司和阿斯利康制药公司从事计算化学和新药开发工作20年，曾担任阿斯利康公司先导化合物发现部门担任主任研究员职位。现任广州国家实验室研究员，中国生物信息与药物发现专委会副主任，入选外专重点支撑计划，广东省珠江领军人才计划，广州黄埔精英人才。已发表学术论文和专利100余篇，并担任Molecular Informatics，Journal of Cheminformatics以及Artificial Intelligence in the Life Sciences杂志编委委员。

【演讲题目】分子生成模型在药物研发中的应用

【演讲摘要】在过去的十年中，深度学习在人工智能的各个研究领域取得了显著的成功。在药物开发领域中深度学习的应用也取得巨大进展，其应用范围已不仅仅局限于生物活性预测，而在解决药物发现中的其它问题方面也显示出了极大的潜力。在本次演讲中，我们将讨论基于深度学习的分子生成模型的概念，本人课题组近年来开发的多种生成模型和评估方法的介绍以及模型在药物开发领域中应用实例。

李翛然

医图生科联合创始人/CEO

医图生科CEO，联合创始人。苏州创业领军人才、资深AI工程师。设计的AI自然语言处理系统获得KPMG中国科技双创大赛TOP 30 奖项。主持开发过全中国最大的肺癌AI辅助诊断系统，完成多模态数据AI早期肺癌辅助快速筛查的先河。构建医疗AI生物信息学分析系统，与多家顶级医院展开科研合作，后公司被成功收购。目前全面负责医图生科的日常研发与管线商业化工作。

【演讲题目】量子计算+AI ：探索药物设计中未曾设想的可能

郑立

CAS定制服务经理

郑立先生现任美国化学文摘社 (CAS) 定制服务中国区业务发展经理。作为跨部门协作的核心枢纽，他统筹产品、技术与解决方案团队，致力于通过智能化解决方案赋能生物医药领域创新，推动CAS定制服务在中国市场的生态构建与商业拓展。凭借十六年深耕IT领域的复合型经验，郑立先生擅长从技术架构视角解析行业需求，曾主导多项人工智能与科学计算交叉领域的技术转化项目，包括大型智能数据技术平台的解决方案架构设计与实施。当前重点聚焦于在化学信息学、药物研发智能化、数据价值挖掘等前沿方向。

郑立先生毕业于西安电子科技大学，拥有机械设计制造及其自动化专业本硕学位，硕士阶段专攻自然语言处理技术研究，其技术视野横跨智能制造与人工智能，为CAS在中国构建AI驱动的生物医药创新解决方案提供独特价值。

【演讲题目】去伪存真：科学家策展数据在AI药物发现中的应用

卞月珉

上海大学特聘教授

卞月珉，上海大学特聘教授，博士生导师，国家级海外高层次青年人才，上海市海外高层次人才。本科毕业于中国药科大学（2011-2015），博士毕业于美国匹兹堡大学（2015-2020），博士毕业后担任资深计算科学家，就职于美国麻省理工和哈佛大学布罗德研究所从事人工智能新药研发工作（2021-2024），2024年3月回国全职加入上海大学。长期致力于人工智能药物发现相关研究，发现并验证癌症和病毒领域的疾病高相关性新型靶标，开发并整合机器学习与深度学习算法、计算化学与计算生物学策略手段，针对新型靶标加速临床前早期药物发现。近五年，发表包括Nature (2022)、Cell (2024, 2025)在内国际高水平论文16篇；主持国家优青（海外）、上海市海外高层次人才等国家级、省部级项目4项。担任英国国家研究与创新署UKRI、智利国家研究与发展署ANID基金评审外籍专家，BMC Pharmacology and Toxicology杂志客座编辑，Nature Communications、Briefings in Bioinformatics等杂志审稿人。

【演讲题目】构建人工智能药物设计平台加速新型靶标的确证与苗头分子发现

【演讲摘要】报告人专注于人工智能和药物发现的跨学科交叉，特别是针对小分子药物的智能筛选与优化，初步构建了聚焦于新型靶标确证与苗头发现的人工智能药物设计平台。在该平台基础上，报告人（1）以计算为桥梁完成癌症新靶点SHOC2-MRAS-PP1C全酶的结构解析与功能分析，为RAS病理相关癌症治疗开创全新药物靶标；（2）将大分子生物计算与结构生物学相融合，揭示HSV Polymerase耐药性突变的动态结构性解释，为针对耐药病毒株的原创药物发现提供支撑；（3）实现超高通量虚拟筛选和生成式配体结构从头设计，针对GPR34、CB2等新型靶点开展苗头发现与先导优化。以上，报告人将围绕该平台，探讨人工智能在新型靶标确证与小分子苗头发现中的融合与应用。

党群

真实生物总裁

拥有超过31年的生物制药行业研发、BD、管理经验；曾担任石药集团有限公司的全资附属公司石药集团中奇制药技术（石家庄）有限公司副总裁，齐鲁制药有限公司副总裁；曾担任礼来公司的礼来中国研发中心内分泌及心血管业务外部创新系统亚洲负责人；曾担任Merck Sharp & Dohme Corp.外部合作药物发现项目总监、Metabasis Therapeutics, Inc.药物化学总监。参与研发多种临床应用药物及候选药物，包括用于治疗II型糖尿病的第一代及第二代FBPase抑制剂。

窦登峰

成都先导副总裁

窦登峰于2010年在美国威奇塔州立大学获得药物化学博士学位，在Mayo Clinic进行了两年的博士后研究。窦博士的主要研究方向是多种疾病，包括肿瘤、抗病毒、慢阻肺等的蛋白酶抑制剂的发现和优化，期间发表了20篇论文。

窦博士于2012年8月加入成都先导，主导药物化学、项目管线管理、DNA编码化合物库筛选、靶向蛋白降解（TPD）等多种公司的核心业务。在最近8年中，他领导了成都先导的DEL筛选平台，为全球数百家制药公司、生物技术公司和研究机构提供高质量的化合物发现服务，并扩展到下游合作。成都先导的TPD平台为合作伙伴及其自身提供了高效的新颖E3配体发现和功能探索。窦博士目前负责成都先导的战略管理与规划。窦登峰博士在成都先导申请约82项专利（其中43项已授权），发表7篇高质量论文。窦博士还在肽类药物发现和GMP生产方面拥有7年的工作经验，代表性肽类产品包括胸腺肽α1和胸腺五肽。

【演讲题目】DEL与AI驱动的靶点探索和化合物发现与优化

【演讲摘要】DNA编码化合物库（DEL）技术以其极为高效、成本相对低廉、对靶点具有通用性等特点，已经发展成为分子发现的主流技术之一。成都先导具有已知公开世界上最大的小分子化合物库，实体化合物数量超过1万亿，并建有满足各类需求的共价、大环、多肽、降解剂、分子片段DNA编码化合物库。截止目前，成都先导筛选靶点类型超过53个大类，几乎涵盖了全类型的蛋白靶点，积累了丰富靶点验证、Assay数据和庞大化合物与靶点的相互作用与构效关系实验数据，并构建了多种AI模型，用于化合物活性、属性预测，优化方案制定等。成都先导的DEL+AI平台特点在于，能够为未知结构的靶点产生海量的数据，同时以已有数百个靶点的海量高质量化合物-靶点相互作用数据作为训练和参照，干湿实验结合，实现更为精准的化合物活性预测和优化。结合公司打造的DEL+AI+自动化的“设计-合成-测试-分析”（DMTA）分子优化能力平台，能够进一步拓展筛选分子的化学空间，丰富先导化合物的发现途径，有望加速对新颖靶点和化合物的探索与向药物分子的转化。

宋云龙

石药集团全资子公司上海翊石医药总经理

中国人民解放军第二军医大学药学学士、药物化学博士，美国普渡大学博士后研究员，现任石药集团全资子公司上海翊石医药科技有限公司总经理。精通小分子创新药物分子设计技术，熟悉创新药靶点立项评估、分子发现、成药性评价、临床前开发、IND申报到临床研究的全流程。近年来带领团队在first in class创新药、差异性优势的fast follow创新药开发方面产生了一系列创新性成果，积累了丰富的经验。共获得CDE突破性疗法认证2项，进入中美二期临床研究的创新药项目3项，获得中、美临床批件近10项。主导发现的选择性、活性更优的ROCK2激酶抑制剂TDI-01国际权益转让5.175亿美元；主导研发的小分子LPa抑制剂项目的全球权益转让给阿司利康，合同额名列年度全球排行榜Top10。

【演讲题目】AI时代的小分子创新药研发实践

【演讲摘要】简要介绍AIDD的概念、主要应用场景，并结合行业内的经典案例表明AIDD的巨大潜力，同时讨论了AIDD面临的挑战。

金传飞

东阳光药副总经理

有机化学博士、制药高级工程师，加盟广东东阳光药业股份有限公司从事新药研发，担任副总经理、医药人工智能研发中心负责人，主要专注于药物化学及人工智能与制药研究。截止目前以主要发明人申请国内外专利260余项，申请PCT专利30项，获得授权专利超过150项；发表学术论文20余篇；主持和参与“十三五”国家重大新药创制、广东省重点领域研发计划“新药创制”重点专项；负责的项目获得5个国家1类新药临床批件，其中1个处于Ⅱ\Ⅲ期、4个处于Ⅰ期。

【演讲题目】东阳光药AI进展与规划

【演讲摘要】东阳光药于2023年起便开始布局AI+生物医药产业，与国内多所知名高校、学院和学者开展探讨交流，与华为云签署合作协议并引进盘古大模型，与深势科技成立联合实验室，并于2024年9月成立人工智能研发中心。东阳光药数十年的药物研发积累了海量高质量湿实验数据，包括化学结构合成数据、药理药代数据、专利文献数据，通过数据库软件进行数据标准化建设，形成以数据为核心的研发模式。算力层面联合华为云，算法模型层面联合知名高校与深势科技，整合多方优势建立覆盖药物研发全流程的AI+生物医药生态体系。

黄博

望石智慧研发副总裁

黄博，博士，副研究员，北京望石智慧科技有限公司技术研发副总裁。本科毕业于北京大学生命科学学院，拥有中国科学院生物物理研究所结构生物学博士学位，以及美国伊利诺伊理工大学人工智能硕士学位。现任北京望石智慧科技有限公司技术研发副总裁，负责AI技术在结构生物学以及药物分子设计方面的应用研究，近3年来以第一或通讯作者完成的研究工作发表在Nature, Nature Machine Intelligence, Nature Communications, JCIM (封面）等学术期刊上。

【演讲题目】融合实验电子密度的多模态AI生成模型辅助小分子药物设计

【演讲摘要】近年来，如何有效的利用AI技术辅助药物研发（AIDD）成为研究热点，但是成功的AI技术除了需要巧妙的算法架构设计以外，更需要庞大的训练数据资源来支撑。药物设计领域的数据丰富程度不可与AI已经大放异彩的互联网、游戏等领域相提并论，因此，缺乏高质量的数据成为了AI全面赋能药物设计的一大难题。我们的工作首次把晶体学多分辨率电子密度的拓扑性质作为分子和分子间/内相互作用的表示引入AI模型，使得运用整个行业积累了数十年的实验电子密度数据做AI模型训练成为了可能。该报告讨论了实验电子密度数据的挖掘方法、相关的AI分子生成模型的开发与评估，以及相关模型在分子筛选和分子生成方面的应用。

裴剑锋

北京大学研究员/英飞智药创始人

北京大学前沿交叉学科研究院特聘研究员、博士生导师、北京英飞智药科技有限公司创始人。2014年起在国内率先开展人工智能药物设计研究，取得一系列研究成果，在JACS、PNAS、Nucleic Acids Res、ACS Central Science、J Med Chem、Nature、Chem Sci 等国际重要学术刊物上发表论文 70 多篇,。主持和承担863计划、重大新药创制国家科技重大专项、基金委重点项目等国家科研项目多项。曾获中国药学会施维雅青年药物化学奖，中国化学会青年计算化学奖和药明康德生命化学研究奖。

【演讲题目】如何提高小分子药物设计成功率

张国栋

长春金赛药业高级总监

张国栋博士从事体内药理研究工作15+年，在大小动物药理药效以及体内药物代谢领域助力多款药物上市或进入临床研究阶段。曾先后任职于中美冠科太仓和美国实验室，成都药明康德生物学业务负责人；目前担任上海赛增医疗科技有限公司（长春金赛药业全资子公司）转化研究中心实验室负责人，主要研究方向为体内药理研究和替代试验验证。

【演讲题目】GenMAS：一种AI驱动的药代动力学评估和建模策略

马剑鹏

复旦大学复杂体系多尺度研究院院长

马剑鹏教授，博士生导师，计算生物学家，国家大千人，杰青（海外）。现任复旦大学复杂体系多尺度研究院首任院长、上海人工智能实验室领军科学家。复旦大学化学系学士，美国波士顿大学博士，哈佛大学博士后，师从 Martin Karplus 教授（2013年诺贝尔化学奖得主）和 William Lipscomb 教授（1976年诺贝尔化学奖得主）。曾任美国贝勒医学院（Baylor College of Medicine）和莱斯大学（Rice University）终身教授，贝勒医学院冠顶教授，清华大学生命科学学院教授。美国医学生物工程学会会士，美国科学促进会会士及美国物理学会会士。2004年 Norman Hackerman 化学研究奖得主。2018年，马教授作为上海市高峰人才引进团队核心成员全职归国，与 Michael Levitt（2013年诺贝尔化学奖得主 ）教授联合创建复旦大学复杂体系多尺度研究院。研究方向为生物物理、计算生物学及结构生物学，致力于发展针对生物体系研究的人工智能计算方法，与实验手段相结合，解决复杂生物体系中的重要问题。近年来，在 AI for Science 领域尤为关键的蛋白质结构预测研究中，马教授团队自主研发的 OPUS-系列国产软件性能领跑全球，成功搭建全链条AI-赋能新药研发的先进技术平台。2021年至2024年，连续入选由 Elsevier  发布的“中国高被引学者”榜单（生物学），以及由斯坦福大学发布的“全球前2%顶尖科学家终身成就”榜单。

【演讲题目】结构生物学中的计算问题：从算法到应用

【演讲摘要】马剑鹏教授团队自主研发的 OPUS-系列国产软件性能领跑全球，涵盖蛋白质折叠、蛋白质侧链建模、冷冻电镜数据解析等先进AI算法，搭建全球顶级合成生物蛋白质设计平台。团队的重要方向之一，是通过AI算法克服冷冻电镜数据中生物大分子尤其是超大型复合物结构的柔性造成的结构测定误差。团队开发了新型AI计算方法 OPUS-DSD，有效建立高精度的生物大分子结构模型。该方法具有卓越的数据处理能力和鲁棒性，能在更低信噪比的数据上保持较高的解析准确性。成果发表于Nature Methods（《自然-方法》，影响因子47.99）。团队还针对蛋白质侧链建模难题，开发了AI侧链建模算法OPUS-Rota5，使用3D卷积神经网络来抽取每个残基的局部微环境特征，利用该算法对AlphaFold2的预测结构进行修正后，蛋白质构象具有更高的分子对接成功率。

马步勇

上海交通大学药学院长聘教授

马步勇教授致力于计算机生物药物设计，结合大规模超级计算和人工智能推动新型药物开发。1995 年获美国佐治亚大学博士学位；1998年加入美国癌症研究所任资深科学家。2020年回国任上海交通大学长聘教授。 聚焦生物大分子动态结构和相互作用，提出了生物分子识别的构象选择（conformational selection）理论，成为与经典的‘Lock-Key’ 和 ‘Induced fit’ 并行的模型。在世界上首次揭示了阿尔兹海默病Ab淀粉体结构。研究结果在蛋白质结构的动态特性表征，酶催化，蛋白质-蛋白质相互作用和药物设计，神经退行疾病等方面被大量引用，促进了这些领域的发展。多年来发表SCI论文200多篇，谷歌引用24000多次，H-index 71。

【演讲题目】蛋白质-蛋白质复合物动态结构与亲合能的AI预测与MD模拟

【演讲摘要】动态构象选择是蛋白质互作识别的基本机制之一，提高蛋白质-蛋白质复合物结构预测的准确性与精确蛋白质动态构象预测密切相关，也是解析蛋白质构效关系，特别是变构效应的基础。分子动力学模拟（MD）是与从实验结构获取动态构象的互补手段，MD产生的构象也常常被用于训练AI模型预测蛋白质动态结构，但也引入MD模拟参数不准的隐患。选取溶菌酶-抗体复合物作为模型体系，我们用MD模拟表明充分动态构象采样对高精度抗体-抗原亲和能计算的影响，也表明利用独立的实验结构信息作为AI模型可靠输入是蛋白质和复合物动态结构预测时高置信度的保证。我们开发的Deepconformer 增添了预测天然无序蛋白构象和蛋白质-蛋白质复合物动态结构的新功能，弥补了Alphafold3在这些方向的遗漏，在相关体系的测试中提高了预测蛋白质-蛋白质（包括抗体-抗原）复合物结构的精准度。

焦阳

达索系统生命科学工艺流程顾问

本科至博士毕业于南京大学化学化工学院，现任职于达索系统，主要从事药物早期研发相关的分子建模与模拟、数据分析、AI应用等方面的解决方案咨询。此前主要从事计算化学、生物信息学、AI辅助药物设计等相关工作，有丰富的IVD和药物设计领域研发经验。

【演讲题目】生成式AI：蛋白质药物理性设计的“新引擎”

【演讲摘要】在新型生物治疗药物设计方面，先进的AI蛋白设计方法为研究者赋予了更多潜能。过去，从骨架结构开始设计具备特定功能的蛋白，是需要灵感，技术，以及克服其极大概率失败风险的决心——因而也伴随着巨额研发投入的领域。生成式AI算法，为这些过去只有顶尖研究者愿意涉足的领域提供了新的门径。我们创建流程帮助研究者使用这些前沿工具，为特定应用场景创建蛋白变体库，为酶、中和蛋白、结合因子等的设计带来更多可能性。

李晓林

中科院医学所AI首席科学家

李晓林，中国科学院杭州医学研究所人工智能首席科学家。曾任美国佛罗里达大学终身正教授，计算机工程部主任，牵头创立全美首个国家级深度学习中心并任创始主任（四校联盟: UF, CMU, UO, UMKC, 80多位国际知名教授; 30多家国际知名企业会员: 英伟达、谷歌、礼来、百度、腾讯、网易等）。2010年获得美国国家科学基金杰出青年教授奖NSF CAREER Award，2021年被评为中国人工智能年度十大风云人物，获得多篇最佳会议/杂志论文，获得多个挑战赛冠军。牵头搭建全美最快 200G 校园科研网（2012 年），首个软件定义的校园智能云平台；参与促成英伟达捐赠数千万美元，打造成全球高校第一智算中心（2020年）；牵头获批科技部国家新一代人工智能开放创新平台（2022年）。主导开发智能平台(CognitiveEngine，DeepCloud, GatorCloud)，蛋白折叠及靶点发现（PrimateAI，DeepFolding，FoldingZero），智能诊断（DeepBipolar，DeepCancer, MySurgeryRisk，Dr. Copilot），智能药物发现（DeepAtom，DyScore，DrugMetric，BatmanNet，AptaDiff，RNADiffFold，AtomicFold, AtomicVac）, 联邦学习（FLEX, iBond）等多个AI算法和平台，在深度学习、生物医药、云计算、安全隐私等领域的国际顶级期刊和会议发表论文200余篇。研究成果被有效应用于靶点发现、蛋白质和核酸结构预测、分子生成、基因组学、蛋白组学、病理影像和临床决策支撑系统。培养的学生有多位成为美国知名高校长聘教授（包括全美排名前五的药学院）。

【演讲题目】AI驱动的生命科学第五范式: 从新抗原发现到肿瘤疫苗设计

肖文之

Bytedance Research Protenix团队负责人

Bytedance Research Protenix团队负责人，在计算生物方面有多年的经验积累。

Protenix团队聚焦在复合物结构基础模型方向，成员来自于机器学习、计算化学、生物信息等领域，通过密切的团队合作解决挑战性问题。目前致力于建立生物领域的结构基础模型，并以此为基础解决生物和制药领域的关键问题。我们关注的问题包括：1）构建下一代结构预测模型，大幅提升各种体系上的预测精度，并进一步解决多构象、动态、亲和力等问题。2）将结构预测模型扩展为通用的基础模型，支持分子设计等更多任务，解决广泛的生物和制药问题。

【演讲题目】Protenix-复合物结构预测和设计

【演讲摘要】生物分子复合物结构是生命科学发现和药物理性设计的重要基础。我们团队开源了复合物结构预测模型Protenix，从复现Alphafold 3开始，构建生物结构基础模型，覆盖蛋白、核酸、小分子、糖等不同分子类型以及结构预测、设计等多样的任务。本次我将分享我们的模型在复合物结构预测以及分子设计方面的进展。

慕宇光

新加坡南洋理工大学教授

Academic Qualifications：
• 1997  PhD (Physics), Shandong University, China
• 1994  MSc (Quantum Chemistry), Shandong University, China
• 1992  BSc in Physics, Shandong University, China
Summary of Working Experience：
• Sep 2012 - Present  Associate Professor, School of Biological Sciences, NTU
• Jun 2006 – Aug 2012  Assistant Professor, School of Biological Sciences, NTU
• Oct 2003 - May 2006  Research Fellow, School of Biological Sciences, NTU
Key Areas of Research：
• In silicon drug discovery 
• Protein-ligand, protein-protein recognition study based on AI/ML methods.
• Molecular dynamics simulations of protein, RNA, DNA complexes and interaction with ligands

【演讲题目】AI models for Protein-ligand interaction prediction, OnionNet and beyond

【演讲摘要】Scoring functions are important components in molecular docking for structure-based drug discovery. Traditional scoring functions, generally empirical- or force field-based, are robust and have proven to be useful for identifying hits and lead optimizations. Although multiple highly accurate deep learning- or machine learning-based scoring functions have been developed, their direct applications for docking and screening are limited. We describe a novel strategy to develop a reliable protein–ligand scoring function by augmenting the traditional scoring function Vina score using a correction term (OnionNet-SFCT). The correction term is developed based on an AdaBoost random forest model, utilizing multiple layers of contacts formed between protein residues and ligand atoms. In addition to the Vina score, the model considerably enhances the AutoDock Vina prediction abilities for docking and screening tasks based on different benchmarks (such as cross-docking dataset, CASF-2016, DUD-E and DUD-AD). Furthermore, our model could be combined with multiple docking applications to increase pose selection accuracies and screening abilities, indicating its wide usage for structure-based drug discoveries. Furthermore, in a reverse practice, the combined scoring strategy successfully identified multiple known receptors of a plant hormone. To summarize, the results show that the combination of data-driven model (OnionNet-SFCT) and empirical scoring function (Vina score) is a good scoring strategy that could be useful for structure-based drug discoveries and potentially target fishing in future

李喆

南方科技大学副教授

李喆，南方科技大学生物医学工程系副教授、博士生导师。2014年北京大学材料化学学士，2019年于美国普渡大学获得分析化学博士学位，师从DNA纳米技术领域专家毛成德教授。2019 -2023年在美国华盛顿大学从事博士后研究，合作导师是2024年诺贝尔化学奖、美国科学院院士David Baker教授。2023年12月加入南方科技大学。在Science, Nat. Mater., Adv. Mater., JACS等国际学术期刊发表论文近20篇。获得2019年国家优秀自费留学生奖学金、2023年国家自然科学基金优秀青年科学基金项目（海外）。2024年获得国家自然科学基金面上项目、深圳市医学研究专项资金青年项目支持。

【演讲题目】用蛋白质从头设计编程生物材料

【演讲摘要】生物大分子通过自下而上的自组装形成了高度有序且功能丰富的生物结构，为生命的起源、维持和进化提供了重要基础。受此启发，生物纳米技术的一个关键目标是模仿自然界中的天然生物大分子，对生物大分子的三维结构和相互作用进行精确设计，实现具有全新结构和功能的生物纳米材料。近年来，随着生物大分子物理模型的进步和AI深度学习算法的兴起，人们可以不受自然进化的限制，通过计算机设计具有特定结构、功能的全新蛋白质，在生物材料设计中展现出巨大的潜力。本报告中将以蛋白质三维晶体为例，结合传统的蛋白质对接、界面设计，以及新型的蛋白质深度学习算法，设计蛋白质分子从纳米尺度到宏观尺度的多级有序自组装。第一种设计方法从蛋白质纳米笼基元出发，在基元之间设计新型的蛋白质-蛋白质相互作用界面。这种方法实现了大孔隙率和高热稳定性的蛋白质三维晶体，并用于构建具有动态光学性质的无机纳米粒子超晶格。第二种设计方法从预设的蛋白质相互作用出发，实现了类似有机金属框架结构的网络状晶体，并对晶体孔道的大小、形状、带电性质进行定向编程。蛋白质三维晶体材料的计算设计展示了蛋白质从头设计在编程新型生物材料中的潜力。本报告也将探讨从头设计蛋白质材料在生物医学工程领域的应用前景。

顾全全

ByteDance Research AI制药团队负责人 

Quanquan Gu is the Head of AI for Drug Design at ByteDance Research and an Associate Professor of Computer Science at UCLA (currently on Leave). His research is in artificial intelligence and machine learning, with a focus on nonconvex optimization, deep learning, reinforcement learning, large language models, and deep generative models. Recently, he has been utilizing AI to enhance scientific discovery in domains such as biology, medicine, chemistry, and public health. He received his Ph.D. degree in Computer Science from the University of Illinois at Urbana-Champaign in 2014. He is a recipient of the Sloan Research Fellowship, NSF CAREER Award, Simons Berkeley Research Fellowship among other industrial research awards.

【演讲题目】DPLM-2: Multimodal Diffusion Protein Language Models

【演讲摘要】Proteins are essential macromolecules defined by their amino acid sequences, which determine their three-dimensional structures and, consequently, their functions in all living organisms. Therefore, generative protein modeling necessitates a multimodal approach to simultaneously model, understand, and generate both sequences and structures. However, existing methods typically use separate models for each modality, limiting their ability to capture the intricate relationships between sequence and structure. This results in suboptimal performance in tasks that requires joint understanding and generation of both modalities. In this talk, I will introduce DPLM-2, a multimodal protein foundation model that extends discrete diffusion protein language model (DPLM) to accommodate both sequences and structures. To enable structural learning with the language model, 3D coordinates are converted to discrete tokens using a lookup-free quantization-based tokenizer. By training on both experimental and high-quality synthetic structures, DPLM-2 learns the joint distribution of sequence and structure, as well as their marginals and conditionals. We also implement an efficient warm-up strategy to exploit the connection between large-scale evolutionary data and structural inductive biases from pre-trained sequence-based protein language models. Empirical evaluation shows that DPLM-2 can simultaneously generate highly compatible amino acid sequences and their corresponding 3D structures eliminating the need for a two-stage generation approach. Moreover, DPLM-2 demonstrates competitive performance in various conditional generation tasks, including folding, inverse folding, and scaffolding with multimodal motif inputs.

夏应策

微软研究院科学智能中心首席研究员

夏应策博士，微软研究院科学智能中心首席研究员。他于2013年和2018年分别从中国科学技术大学获得学士和博士学位。他目前的研究兴趣是将生成式人工智能和大模型技术应用于药物、蛋白质和材料设计。他开发了一种生成式AI的化合物生成方案——TamGen，已成功找到针对结核病和新冠的有效化合物。他多次担任ICML/NeurIPS/AAAI等顶级机器学习会议的领域主席。 

【演讲题目】解码自然语言：科学基础模型在药物研发中的新范式

【演讲摘要】随着人工智能在科学研究中的深入应用，微软研究院推出的Nature Language Model（NatureLM）正引领一场跨学科的技术革新。作为全球首个融合小分子、蛋白质、DNA、RNA等多种科学模态的基础模型，NatureLM通过自然语言指令驱动分子设计与药物发现，打破了传统科研中数据孤岛与专业壁垒的限制。本次演讲将深入探讨NatureLM的两大核心能力——跨模态融合与文本驱动机制，如何在药物研发流程中实现从靶点识别到候选分子筛选的智能化加速。我们将结合实际案例，展示该模型如何通过统一的语言接口整合结构、生物、化学等多维数据，助力科研人员更高效地完成复杂任务，推动AI for Science迈向真正的“通用科研助手”时代。

孙思琦

复旦大学研究员

本科毕业于复旦大学数学系，博士毕业于TTIC研究院。2018-2022年继续在微软研究院开展研究，2022至今在复旦大学智能复杂体系基础理论与关键技术实验室担任青年研究员。致力于深度学习在生命科学和自然语言处理等交叉学科中的应用研究,并侧重于提高模型的精度和速度，解决模型在实践落地中的具体问题。在Science、 Nature子刊、ACL、EMNLP、NAACL、NeurIPS等会议和刊物上发表多篇论文,共计被引用超过7000次（据谷歌学术统计）。

【演讲题目】Transforming Biological Understanding: The Emerging Influence of Foundation Models

【演讲摘要】语言模型已经在诸多领域（例如自然语言处理和多模态应用中）表现出卓越效果的有力工具。近期，语言模型在蛋白质结构预测领域的应用也取得了令人鼓舞的进展。基于此，我们将探讨语言模型在生物领域的发展及其在分子结构预测中的作用。通过将大量的无标注序列数据与语言模型相结合，我们希望为探索生物数据提供更多新的可能性。

侯信成

Zenovabio研发负责人

侯信成博士在治疗性抗体/合成抗体领域拥有14年的研发经验。加入Zenovabio之前，曾在诺诚健华和保诺-桑迪亚担任总监、合成抗体学家Sachdev Sidhu博士实验室担任助理教授 (上海科技大学)。

陆威

寻明生科人工智能高级总监

陆威博士，寻明生科（Aureka Biotechnologies）人工智能高级总监，生物分子建模与 AI 驱动药物设计领域国际知名专家。师从美国国家科学院院士，于美国莱斯大学理论生物物理中心获得博士学位。其全面统筹主导多条抗体药物研发管线的 AI 战略与技术落地，致力于将机器学习算法与高通量实验深度融合，构建计算–实验闭环平台，大幅提升新药发现的研发效率与精度。其研究成果发表于 Nature 子刊等国际权威期刊、 以及 NeurIPS 等顶级学术会议，累计发表论文 20 余篇。

【演讲题目】生成式AI与高通量数据闭环：多功能抗体设计新范式

【演讲摘要】该演讲将聚焦于一套将结构感知蛋白模型与高通量单细胞功能性筛选技术深度耦合的生成式蛋白设计系统。该系统依托多尺度结构预测与位点特异性优化算法，实时整合海量实验数据并持续迭代设计策略，实现模块化、可扩展的功能性抗体设计。在代谢类靶点的应用案例中，该系统生成的的双靶点抗体展现了亚皮摩尔级效力，较现有候选分子功能强度提升约50倍，并在早期功能评估指标中超越了已进入临床阶段的对标产品。全流程从序列构建到功能验证耗时不足9周，显著降低实验成本与开发周期。这一数据驱动的闭环范式可推广至多种生物靶点，为下一代高效药物发现开辟新路径。

刘智攀

复旦大学教授

刘智攀教授，复旦大学教授，中国科学院上海有机所兼职教授，博士生导师，教育部长江学者特聘教授。长期从事理论计算方法和软件开发，并应用于材料催化等实验和理论研究，领导开发的LASP软件得到广泛应用。曾获得IUPAC 颁发的年轻化学家奖（2004，IUPAC Prize for Young Chemists）；国家自然科学杰出青年基金（2008），中组部首届青年拔尖人才计划（2012），教育部长江学者奖励计划（2013），上海市自然科学一等奖（2019），科学探索奖（2020）。应邀担任美国 ACS 物理化学期刊 JPC A/B/C 高级编辑和执行编辑。应邀在 Acc Chem Res、 ACS Catal、JCP 等刊物上撰写多篇重要综述，在“国际量子化学大会”等重要国际学术会议上作理论催化相关大会邀请报告数十次。在 Nature Catal., PRL, JACS, Angew Chem、JCTC 和 JPC 等期刊发表论文240 多篇。

【演讲题目】通用全局势函数的人工智能原子模拟与AI智能计算平台

【演讲摘要】几十年来，科学家们一直在追求一种适用于各种原子模拟的通用势能，但在实现高表示能力模型和构建覆盖整个元素周期表的全局势能面（PES）数据两方面面临着极大的挑战。在这里，我们提出了一种低成本且高精度的机器学习（ML）模型，即高阶对减神经网络（HPNN），该模型采用了分层的高阶球谐相互作用方案，减少了对维度(pair dimension)，使得以较低的成本能够引入最高达到l=6的球谐函数。利用这一架构，我们通过训练来自我们课题组过去10年LASP项目积累的440万全局PES数据集（覆盖元素周期表中的72种元素），获得了第一个版本通用全局神经网络势能（GG-NN），其能量的均方根误差达到7.054 meV/atom，力的均方根误差为0.147 eV/Å。我们在两个具有代表性的全局PES上（即Ti-O和C-H-O）与主流ML模型进行基准测试，展示了GG-NN在推理速度和准确性方面的高性能。我们的研究结果为利用通用全局势函数加速分子和材料预测铺平了道路，同时为整合不同的AI预测模型，构建能便捷大规模原子模拟、方便指导实验研究的AI平台(www.laspai.com)提供了理论基础。

李承喜

浙江大学化学与生物工程学院教授

李承喜博士，浙江大学化学工程与生物工程学院，担任博士生导师、制药所副所长。兼聘浙江大学杭州国际科创中心。入选“国家高层次人才”。荣获 “2024年度侯德榜化工科学技术奖青年奖”、“中国科学院院长奖” 等荣誉。中国科学院上海有机化学研究所博士，美国麻省理工学院（MIT）博士后。主要研究以医药智造和研发为中心的多领域交叉科研，现主持国家重点研发计划课题、基金委优秀青年科学基金、青年科学基金等横纵向科研项目12项。在J. Am. Chem. Soc.; Angew. Chem. Int. Ed.; Nat. Commun.等期刊发表高水平论文20余篇；申请国内外专利14项，与企业合作产业化转化5项。

【演讲题目】环肽药物的智能设计与自动化合成

【演讲摘要】针对环肽药物供应灵活性提升及新药研发中高通量筛选的需求，提出了一种基于人工智能与化学学科融合的连续化智能制造技术，为环肽药物合成领域提供了创新解决方案。研究通过高温环境加速化学反应，结合流动化学提升混合传质效率，成功解决了高温条件下的化学选择性难题，并开发了新型“连接子”结构以实现可控分子关环。研究设计的微反应器显著提高了分子扩散率和反应活性，从而提升了合成产率。通过人工智能驱动的在线优化与智能设计技术，研究实现了合成过程的实时监测与优化，简化了后处理与检测流程，降低了成本并提高了生产效率，为环肽药物合成领域提供了高效、环保的新方法。

廖矿标

广州国家实验室研究员/标智未来创始人

廖矿标，广州国家实验室研究员。研究兴趣为AI化学。专注开发AI化学家系统、化学大数据与化学AI模型，研究AI辅助新反应发现与应用。至今，已以通讯作者或第一作者在Nature （2篇）、Nature Chemistry、Chem、ACIE等期刊发表一系列论文。2013年本科毕业于中山大学，2017年博士毕业于美国埃默里大学；2018年加入艾伯维，2019年加入生物岛实验室，2021年担任广州国家实验室研究员。目前担任广州市政协委员、广州市科协常委、全国青联委员。曾获国家海外高层次青年人才、广东青年五四奖章、广州市优秀专家、广州市最美科技工作者等荣誉。  

【演讲题目】AI驱动的智能化学家系统

【演讲摘要】自动化、数据科学和人工智能（AI）的进步正在深刻改变合成化学，显著提升其实验效率、成功率与安全性。本报告介绍了一个AI驱动的化学家系统，该系统融合软硬件技术，能够实现项目规划、实验设计、执行、数据分析与建模的全流程自动化。该系统配备了模块化的高通量实验（HTE）平台，支持快速数据采集与实验条件优化。通过集成AI模型与专为化学设计的大语言模型SynAsk，系统可调用海量化学数据库与推理框架，用于优化反应路径、推荐反应条件以及预测产率。系统实现了从实验执行到AI建模与持续优化的端到端自动化流程。高通量实验与AI模型的融合不仅提升了数据采集效率，实现了化学合成的标准化，而且已成功应用于多个关键化学过程的发现与优化，。通过将AI、自动化和高通量技术深度结合，该系统为应对化学研究中的重大挑战提供了强有力的解决方案，并推动了可持续化学和药物发现的进程。

林昶旭

厦门大学物理科学与技术学院副教授

林昶旭，清华大学化学系学士、博士毕业。2015年起在厦门大学物理科学与技术学院工作，院教学指导委员会委员。2022年起，固体表面物理化学国家重点实验室固定研究人员，嘉庚创新实验室双聘副研究员。厦门大学九江研究院副研究员。研究兴趣为面向物理和化学自动化实验。同时着力交叉创新人才培养教学工作， 主持多项省级、校级教改及“一流课程”建设项目。iScience客座编辑。

【演讲题目】化学自动化的组织逻辑

【演讲摘要】智能分子制造是一个新型的化学与信息技术的交叉学科。它将高效、精准、安全的特性赋予化学和材料的研究及其应用，日益得到广泛关注。本报告整理总结化学自动化国内外的代表性的应用，梳理其中的组织、建设和运营逻辑，提取共性问题及规律。从单一操作的手动自动转换，到成套系统搭建管理，在实现具有生命力的化学自动化过程中，科研团队的能力列表和工作流清单。报告还将介绍厦门大学《化学自动化》课程，在培养学生同时获得化学专业知识及相关软硬件信息技术综合应用能力方面的探索。包括自研教学仪器、首届数字化实验邀请赛、流动化学教学在大学中学阶段的系统性探索。

刘琦

同济大学生命科学与技术学院教授

刘琦，同济大学生命科学与技术学院生物信息系长聘特聘教授，博士生导师，同济大学上海自主智能无人系统科学中心PI。国家杰出青年科学基金项目获得者，教育部青年长江学者。长期致力于发展人工智能技术赋能组学解析和精准干预，进行数据驱动的精准医学研究和转化（“AI for Precision Medicine/AI4PM”）。在智能计算方法学领域代表性期刊如Nature Methods, Nature Machine Intelligence, Nature Computational Science等及计算机科学领域重要期刊和会议如IEEE TKDE/SDM/ICDM/MICCAI等发表论文，受邀在Trends和WIREs系列等发表综述。其成果获相应期刊Research Highlight、F1000推荐、ESI高引、中国生物信息学算法十大进展等。著《组学机器学习》（科学出版社，2023）。中国计算机学会杰出会员。曾入选《麻省理工科技评论》中国智能计算创新人物、获药明康德生命化学研究奖、吴文俊人工智能自然科学奖、微众学者奖，华夏医学科技奖等。

【演讲题目】组学挖掘的机器智能和精准医学应用

【演讲摘要】本次汇报分享我们面向生命组学所开发的AI分析方法和模型，以及若干精准医学应用案例。

郭天南

西湖大学研究员/西湖欧米创始人

郭天南，西湖大学医学院、生命科学学院博士生导师、长聘副教授，西湖大学蛋白质组复杂科学实验室负责人，西湖实验室智能蛋白质组中心（WeCIP）主任，西湖大学未来产业研究中心兼聘研究员，国家高层次人才专家。毕业于华中科技大学同济医学院临床医学七年制，武汉大学生物科学双学位，新加坡南洋理工大学博士，瑞士苏黎世联邦理工大学博士后。长期从事蛋白质组学相关研究，联合人工智能，解析生物过程的原理，助力疾病诊疗。任Molecular Cellular Proteomics副主编，Clinical Proteomics副主编，Proteomics编委，Proteomics Clinical Applications编委，Genomics Proteomics Bioinformatics编委，Cell Systems咨询专家，Cell Reports Medicine咨询专家，Scientific Data编委等。实验室网站：Guomics.com

【演讲题目】人工智能虚拟细胞(AIVC) ——重塑药物研发的新范式

【演讲摘要】作为生命的基本单元，细胞研究是理解疾病与开发药物的核心，但传统实验存在成本高、变异性大等挑战。人工智能虚拟细胞（AIVC）的诞生为这一领域带来颠覆性机遇。通过整合多模态数据与深度学习，AIVC构建了动态、可预测的细胞功能模型，能够精准模拟药物干预下的分子响应与细胞行为，显著加速靶点筛选、药效预测及协同药物组合的发现。其三大数据支柱——先验知识、静态结构与动态状态——为虚拟模型注入生物学真实性，而闭环主动学习系统进一步实现自主优化，推动模型迭代效率。未来，AIVC将有望逐步替代部分传统实验，降低研发成本并提升可重复性，为个性化药物设计与复杂疾病机制解析提供全新路径。这一技术突破亟需跨学科协作，建立标准化开发框架，共同开启“硅基生命”驱动药物创新的新时代。

季序我

普瑞基准创始人/CEO

北京大学生物信息学博士；中国第一批生物信息学专业博士，论文发表在一流学术期刊如Nucleic Acids Research等；国际顶级投行多年工作经验，曾任瑞银证券（UBS Securities）医药行业首席分析师/执行董事，并带领UBS团队蝉联Asia Money亚洲医疗健康最佳分析师/团队；多家高水平生物医药公司投资人/联合创始人，包括多位全球顶级科学家的创业公司；深刻理解中国医药政策环境与研发型药企的需求；中国卫生经济学会健康产业分会首届常务理事；“健康未来”企业家协会理事、研发创新委员会负责人。

叶森

耀速科技科学事务总监

叶森博士毕业于浙江大学生命科学学院，长期从事器官芯片和类器官的应用研究和产品支持工作。现任全球领先的AI+器官芯片公司耀速科技的科学事务总监，曾任器官芯片先锋企业Emulate亚太区首席应用科学家。研究成果发表于Cancer Research、Mol. Cell. Biol. 、 Biochem. J. 、J. Biol. Chem.等杂志。

【演讲题目】AI驱动的高通量器官芯片技术在机制研究、药物研发和精准医疗中的多场景应用

【演讲摘要】长期以来，药物开发大量依赖于动物试验。然而，90%以上通过传统动物试验的药物仍然会在临床试验阶段失败。迫切需要开发新兴技术来预测候选药物的反应，以降低药物开发的失败率。作为潜在的新兴技术，器官芯片受到了大量关注。耀速科技是全球首家将类器官芯片、高内涵三维（3D）细胞成像、计算机视觉（CV）和人工智能（AI）技术融合应用于药物发现的“3D-Wet-AI”生物科技初创公司。基于细胞形态学分析的AI技术与人体器官芯片的多学科交叉合作，为开发更高效的下一代临床前药物，更真实的安全性评价提供了新希望。在面对肿瘤患者个体化差异巨大挑战下，器官芯片能真实捕获患者的个体化肿瘤微环境，在AI加持下，可以更好的解析患者对用药组合的响应，为患者精准用药提供更有效的择药策略。作为可拓展通量的器官芯片系统，耀速科技可提供多场景应用的全栈式解决方案，为生物医学机制研究提供新见解。

任超伟

标新生物转化医学副总裁

任超伟博士深耕蛋白降解领域近八年，兼具深厚的学术积淀与产业化经验。他于上海科技大学免疫化学研究所获得博士学位，期间开展蛋白降解药物机制研究，累计发表领域内高水平论文数十篇。博士后阶段在芝加哥大学聚焦蛋白质翻译后修饰与功能调控机制研究，拓展理论基础。2023年加入标新生物，负责分子胶平台新底物发现，成功鉴定20余个分子胶新靶点，推进first-in-class药物的开发进程，推动临床前研究迈向临床转化。 

【演讲题目】AI驱动基于CRBN的分子胶新底物发现及临床开发

王俊毅

宠王科技创始人/CEO

毕业于波士顿大学，连续创业者，拥有成功被收购的创业经历。曾在美国上市公司艾伯维（Abbvie）战略并购部门任职，是与Neutrolis公司（一家开发精准医疗药物用于自免和炎症的公司）项目的主要参与者之一，拥有成功的BD经历。曾参与湖南医药集团与协大生物的战略合作项目，作为主要负责人之一。多年专注于人工智能和生物科技领域的融合，拥有着丰富的医疗产业资源和经验。

【演讲题目】人工智能赋能宠物创新药物研发

【演讲摘要】1. AI制药产业趋势，人宠药物管线授权对比；2. 宠物创新药的发展机遇及挑战；3. AI药物设计的核心难题及解决办法；4. AI构建动物模型对于药物研发的作用；5. 宠王科技公司介绍。

高萌

拓领博泰联合创始人/CEO

中国人民大学化学和经济学双学位、清华大学博士学位，荣获北京市科技项目评审专家、北京市医药卫生科技创新成果转化专家、中国药学会科学技术奖一等奖、中关村U30 2023年度优胜者、2023VB-Link Award年度转化杰出青年科学家、2024创业邦35岁以下创业先锋、创业邦2024最值得关注的女性创业者，有十年新药研发经验，发表多篇SCI论文，申请多项发明专利。于2020年联合创立北京拓领博泰生物科技有限公司，担任总经理，负责公司整体运营及各管线新药研发项目，带领团队完成多轮融资、荣获多个领域内大奖，并推动原研1.1类创新药获批中美临床。

【演讲题目】AI助力自身免疫疾病一类新药研发

【演讲摘要】北京拓领博泰生物科技有限公司由清华大学药学院首届副院长、国家特聘专家尹航教授于2020年创立，专注研发自身免疫疾病一类创新药物，为患者提供调控人体免疫反应的创新疗法。拓领博泰与百度研究院合作，通过生成大规模的仿真数据，构建了一个亿级别的蛋白质-小分子对接构象数据集，共同合作针对自身免疫疾病相关靶点，通过HelixDock精准的构象预测能力，成功找到多个具有高潜力的先导化合物分子，加速自身免疫疾病创新药物的研发。

侯金强

加拿大湖首大学副教授 

侯金强博士于2012年在中山大学获得博士学位，2012–2013年在澳大利亚南澳大学从事博士后研究，2013–2018年在加拿大西安大略大学和安省伦敦健康研究院从事博士后研究，2018年至今在湖首大学和桑德贝健康研究院担任副教授及首席科学家，从事PET分子影像探针的研究。研究重点是开发Fluorine-18标记的化学实体，以潜在地用于使用PET对各种疾病进行成像，以及发现靶向GPCR、激酶和G-四链体核酸的候选药物，曾获得美国化学学会P2F奖和加拿大先锋奖（Vanguard Award）。大部分论文发表在顶级生物和药物化学期刊，包括 Journal of Medicinal Chemistry、ACS Journal of Nuclear Medicine, Chemical Biology、和Nucleic Acids Research。将继续专注于通过基础化学、药物化学和AI发现具有潜力作为肿瘤治疗工具和诊断成像剂的新型药物分子。
实验室主页：

https://www.lakeheadu.ca/users/H/jhou3/node/49373    

【演讲题目】基于图神经网络的 Migrastatic 药物筛选：抑制癌细胞迁移的新路径

【演讲摘要】转移仍然是癌症相关死亡的主要原因，约占90%以上的癌症死亡病例。尽管传统治疗主要针对增殖中的肿瘤细胞，但它们往往无法有效应对导致疾病扩散的迁移性和侵袭性癌细胞群体。Migrastatics 是一类新兴的治疗药物，旨在抑制癌细胞的迁移和侵袭，从而在早期阶段阻止转移的发生。通过靶向参与细胞骨架动态变化、细胞黏附和运动信号传导的关键通路，migrastatics 为现有细胞毒性和细胞静止类治疗提供了有力补充。其选择性作用机制也预示着相较于传统化疗具有更低的毒性潜力。作为肿瘤学领域的一种治疗理念转变，migrastatics 为改善侵袭性和转移性癌症患者的长期预后提供了新的希望。在本研究中，我们在图卷积网络（LAGCN）和图注意力网络（LAGAT）中引入了局部增强特征，用于预测迁移标志物的功能特征，以期寻找潜在的 migrastatic 候选化合物。随后进行了分子对接筛选以验证其结合活性。为验证深度学习模型的稳健性，我们筛选了一百万个分子，其中有70%的受试化合物表现出对三阴性乳腺癌细胞迁移的强抑制作用。这些化合物为后续开发为 migrastatic 药物提供了有前景的候选物。

李博

北京理工大学前沿交叉研究院副研究员

李博，北京理工大学前沿交叉研究院副研究员。加拿大渥太华大学博士，南开大学化学系本科。研究方向瞄准重大疾病防治中的关键科学问题，主要针对神经损伤、肝损伤、肿瘤和航天环境引发的损伤与药物防护问题，探究生命活动的分子机制，阐释重大疾病的发病机理与规律。研究方向涉及损伤机制、天然产物和中医药防护药理药效、AI+多组学分析，AI+药物研发、新型先导化合物设计与合成等生物医学、药物化学、人工智能交叉领域。相关成果在Nature Computational Science、Journal of the American Chemical Society、Chemical Science、Angewandte Chemie International Edition、European Journal of Medicinal Chemistry、Frontiers in Pharmacology等国际权威学术期刊发表SCI论文30余篇，软件著作权4项，论文曾被 Chemistry World杂志和Nature Chemistry杂志选为热点文章。曾参与加拿大自然科学与工程研究基金会、加拿大创新基金、美国国立卫生研究院National Institutes of Health (NIH) 基金，主持国家自然科学基金1项，参与载人航天重大专项等项目。

【演讲题目】基于注意力机制与跨尺度关联学习的联合用药不良反应预测模型

【演讲摘要】近年来，药物联合治疗方案在临床实践中得到快速发展，其显著的治疗优势为复杂疾病的治疗带来了新的希望。然而，多药联用也导致了更为复杂和严重的不良反应风险。开发具有可解释性的计算方法来准确预测联合用药的不良反应，对于优化临床用药管理、指导药物研发以及推进精准医疗具有重要的理论意义和应用价值。现有基于机器学习和深度学习的预测模型存在明显的应用局限性：一方面难以从器官层面阐明导致不良反应的关键蛋白质-蛋白质相互作用机制，另一方面也无法有效表征器官层面不良反应之间的关联特征。针对上述挑战，我们创新性地提出了OrganADR（Organ-level Adverse Drug Reaction）预测框架。该框架通过构建器官层面的关联学习机制，为未知的联合用药方案提供可靠的风险评估。具体而言，OrganADR整合了三个维度的关键信息：器官水平的不良反应数据、分子水平的药物特征信息、基于网络数据结构存储的生物医学先验知识。通过多个可解释性计算模块的协同作用，实现了多源异构生物医学信息的深度融合与表征。该模型在涵盖15个器官/系统的计算综合评估中，OrganADR不仅展现出卓越的预测性能，更重要的是能够从器官层面和网络视角对不良反应预测结果进行系统解释，为临床决策提供可靠的依据。本研究开创性地建立了跨尺度生物医学信息整合的计算范式，所提出的信息整合策略和可解释性计算模块为联合用药不良反应预防提供了创新性的解决方案，该部分研究成果已被Nature Computational Science杂志原则性接收（待发表）。

王文佳

天士力国际基因网络药物创新中心总经理

王文佳女士现任天士力国际基因网络药物创新中心有限公司总经理，同时兼任天士力数智中医药科技有限公司副总经理，人工智能副高级研究员，拥有药物多组学、人工智能、网络药理学等多领域的复合研发能力，毕业于上海交通大学和巴黎萨克雷大学等知名院校，并师从人类基因组学先驱Daniel Cohen教授。此外，还担任CMAC生成式人工智能联盟委员、天津网络药理学会委员。累计发表SCI论文20余篇，总影响因子超过150。她的代表性成果包括以共同第一作者身份在《JAMA Psychiatry》（影响因子25.6）上揭示精神分裂症的重要风险位点，以及以通讯作者在《Pharmacological Research》（影响因子10.3）发表全球最大规模中药智能化数据库LTM-TCM平台构建研究。此外，还在《Advanced Science》《Nature Communications》等顶级期刊上发表了6篇关于AI驱动中药创新的论文。获授权发明专利4项、软件著作权18项，涵盖中药知识图谱、方剂生成模型及多靶点分析系统。

【演讲题目】数智本草大模型

【演讲摘要】数智本草大模型通过整合海量的中医药古籍文献、临床经验和现代研究成果，构建起系统化的中医药知识图谱，为中医药的传承与创新提供了强大的数字化支撑。通过智能问答、交互计算、报告生成与智能应用等多种模式,为用户提供从中药机制解析到中药复方及组分创新开发的全链条研发辅助，这一模型不仅能够赋能药物研发、优化药方配伍、预测疗效，加速中医药现代化进程，还能在临床诊疗中提供智能问诊、辅助诊断和个性化治疗方案，提升诊疗的精准性和效率。

徐亚南

武田制药全球外部创新合作部中国区负责人

徐亚南博士，拥有十八年的医药业务拓展经验，在多个全球知名企业负责研发、商业和投资并购BD和战略规划工作，包括武田制药（全球外部创新合作和风险投资）、美国通用医疗集团(global BD团队)、信达生物、瑞士辉凌医药和石药集团等不同类型国内外大中型知名药企，主导并完成数十个各类合作协议。徐博士毕业于美国马里兰大学药学院，从事老年痴呆症的发生机制和新药药理开发研究，获得博士学位；并为美国金融风险管理师证书（FRM）持证人。目前在武田制药外部创新总部负责中国的对外合作包括风险投资；曾为石药集团副总裁，业务拓展部总经理，带领团队负责集团的BD，投资等工作；在不到一年的时间里完成了多个项目引进和股权投资项目；加盟石药之前，在瑞士辉凌医药担任中国区战略和业务拓展负责人，并是亚太业务拓展委员会成员，参与亚太的BD项目的评审。

韩达

中科院杭州医学所副教授/臻智达生物创始人

韩达，中国科学院杭州医学研究所研究员，兼任上海交通大学医学院分子医学研究院研究员。2009年于厦门大学获得学士学位，2013年于美国佛罗里达大学获得博士学位。2014-2018年在美国Intel公司担任研发科学家。承担国家杰出青年基金项目。科技部重点研发项目“合成生物学专项”项目负责人，曾入选海外高层次人才青年项目。获得中国化学会青年化学奖、中国化学会菁青化学新锐奖等奖励。主要从事核酸化学与分子诊断相关研究，开发智能核酸工具应用于解决细胞分析与疾病诊断等生物医学中难点问题。重点关注恶性肿瘤的早期诊断与筛查方法的研究，结合人工智能与分子工程技术，开发了可针对早期肺癌、胰腺癌等恶性肿瘤进行精准诊断的液体活检标志物组合与检测技术。创立臻智达生物技术（上海）有限公司，致力于基于RNA计算的新型液体活检平台技术和产品的开发。

【演讲题目】核酸分子计算与功能核酸基座模型开发

【演讲摘要】重点介绍核酸计算的概念、优点和在分子诊断领域的应用。也会介绍核酸药物生成式大模型的进展

王宇光

上海交通大学副教授/途深智合创始人

王宇光，现为上海交通大学自然科学研究院、数学科学学院副教授，上海国家应用数学中心、上海人工智能实验室、新南威尔士大学兼职副教授。前马克斯普朗克研究所研究科学家,新南威尔士大学数学博士。在图神经网络、大模型方面发表有60余篇顶刊和顶会文章发表，如Appl. Comput. Harmon. Anal.，SINUM，FoCM，JMLR，和机器学习顶会ICML，NeurIPS。有三篇AI顶级会议文章入选亮点文章。2024年团队发布国内首个TourSynbio蛋白质大模型。2021年入选上海海外高层次人才计划。

【演讲题目】多模型蛋白设计大模型

【演讲摘要】我们提出多模态蛋白大模型TourSynbio，用户可通过自然语言与之对话，实现蛋白的解读、设计、推荐及报告生成。该模型融合生物学知识与进化理论，拥有320亿参数，结合多种AI模块构建蛋白质设计智能体，已与制药公司和合成生物公司合作并取得显著成效。其构建了完整下游应用生态系统，核心TourSynbio - Agent可自动规划和协调多模型。核心模块含TourSynbio - Search（“蛋白设计界的Perplexity.AI”）、TourSynbio - GraDeIF（“蛋白设计界的MidJourney”）、TourSynbio - AutoProteinEngine（“蛋白设计界的Cursor”）。三者紧密集成，先由TourSynbio - Search收集数据知识，再由TourSynbio - GraDeIF设计新序列，最后由TourSynbio - AutoProteinEngine训练模型优化验证 ，形成完整解决方案，有效提升蛋白质工程效率与成功率。

邹一可

上海交通大学长聘教轨副教授

邹一可，现任上海交通大学药学院与张江高等研究院长聘教轨副教授、博士生导师、课题组长，兼任上海药学会人工智能药学专委会委员。入选2021年国家海外高层次人才引进计划青年项目，获得2016年国家优秀自费留学生奖学金。博士毕业于美国宾夕法尼亚大学，博士期间专注于复杂天然产物的全合成研究，随后在美国加州大学洛杉矶分校Ken Houk教授并与David Baker课题组合作开展酶的计算化学与人工智能辅助的酶从头设计研究。之后在美国劳伦斯利弗莫尔国家实验室担任研究员，运用人工智能与计算机辅助技术进行新药研发，成功推动多个药物候选化合物进入临床前开发阶段。截至目前，已发表学术论文60余篇，其中以第一或通讯作者身份在Nature子刊及JACS发表10余篇。邹一可课题组目前致力于人工智能技术在新药研发与酶工程中的创新应用，主要研究方向包括：AI驱动的小分子和多肽药物设计、酶催化机理研究以及酶从头设计（de novo design）。课题组采用干湿实验相结合的方法，融合机器学习、分子模拟、高通量计算等前沿技术，推动药物发现的效率和成功率。

【演讲题目】人工智能环肽药物设计

【演讲摘要】开发生成类人工智能模型，面向特定药物靶点精准设计环肽类药物分子。课题组通过构建非天然氨基酸数据库及创新的分子生成算法，结合深度学习、分子动力学模拟与高通量虚拟筛选技术，自动生成高度靶向性与稳定性的环肽药物分子。研究成果已在结核杆菌耐药感染及G蛋白偶联受体（GPCR）靶向药物设计中取得显著进展，大幅提高药物设计效率和药物候选物的成功率。

黄俊杰

中国科学院杭州医学研究所副研究员

黄俊杰，中国科学院杭州医学研究所副研究员，浙江省高层次人才。主持浙江省自然科学基金重大项目、国家自然科学基金青年项目等。近年来在Nat. Biomed. End.等期刊发表论文9篇，授权专利4项，曾获杭州青山湖材料基因工程青年科学家奖（中国工程院主办会议）、浙江大学国际联合学院优秀学术成果奖、浙江大学国际联合学院年度学术新人奖。主要研究方向：1.人工智能加速抗菌药物发现；2.人工智能加速脂质体纳米粒子设计；3.人工智能加速肿瘤疫苗研发。

【演讲题目】机器学习组合模型加速多肽以及小分子药物开发

【演讲摘要】耐药菌感染是影响人类健康的重要因素。仅2020年，耐药菌感染导致70万人死亡。因此，亟待研发新型抗菌药物。本工作针对具有相对大量数据的抗金黄色葡萄球菌抗菌肽进行模型训练及抗菌功能多肽筛选。通过结合经验判断、分类模型、排序模型、回归模型以及湿实验验证等步骤，提出了一种基于机器学习组合路径的抗菌功能多肽快速筛选方法。在六肽全库中成功挖掘到3条针对金黄色葡萄球菌具有强力抗菌能力（MIC=8 μg/mL）的抗菌功能多肽（6400万样本，13天），其抗菌能力优于目前文献所报道的最强抗菌六肽MP196。在未改动任何模型参数的前提下，仅花费27天即可完成对超过5000亿候选样本的筛选任务，抗菌肽筛选成功率高达98.2%（54/55，成功率排名第一）。体外测试表明，抗菌功能多肽具有广谱抗菌性、低生物毒性、不易发展细菌耐药性。而体内测试表明针对小鼠急性肺炎与慢性肺炎，抗菌功能多肽均具有极强的杀菌治疗效果（杀菌率分别为99.8%、98.1%）。该项工作已发表于Nat. Biomed. Eng., 2023, 7, 797（ESI高被引，获Nat. Biomed. Eng. News ＆ Views与国家自然科学基金委专题报道），所得抗菌功能多肽序列已授权发明专利ZL202110696847.8、ZL202111458874.8、ZL202210794146.2、ZL202210794110.4。该项工作为超大候选文库筛选任务提供了标准新范式。

来昕

芬兰坦佩雷大学长聘教轨助理教授

Dr. Xin Lai is currently a Tenure-Track Assistant Professor at Tampere University. He received his Ph.D. in Systems Biology from Olaf Wolkenhauer's lab at the University of Rostock, Germany in 2013. He then became a research fellow and worked in Julio Vera's lab at the University of Erlangen-Nürnberg until 2023. At the intersection of biomathematics, bioinformatics, and artificial intelligence, his research embarks on a journey to address complex biomedical challenges. With a curiosity that transcends traditional boundaries, his interests have expanded to include deep learning, network biology, and mathematical modelling. More than a decade of fruitful collaborations with experimental and clinical scientists underscored the need for a systematic and integrated approach to analyze biomedical data. Armed with this invaluable experience, he now leads a team conducting research in the dynamic field of medical systems biology. 

【演讲题目】A disease network-based deep learning approach for characterizing melanoma

【演讲摘要】Multiple types of genomic aberrations occur in cutaneous melanoma, and some can impact the prognosis of the disease. Hence, the integration of genomics data with clinical outcome could facilitate the identification of the most relevant genomic features for melanoma progression. We developed a systems medicine approach that integrates genomics data with a disease network and deep learning model for the prognostic classification of melanoma patients and assessed the impact of different genomic features. Specifically, the deep learning model utilizes clusters (“communities”) identified in the network to effectively reduce the dimensionality of genomics data into a patient score profile. Using this profile, we identified three disease subtypes that differ in survival time. Subsequently, we quantified and ranked the impact of genomic features on the patient score profile using a machine-learning technique. Follow-up analysis of the top-ranking features provided us with a biological interpretation at both pathway and molecular levels, such as their mutation and interactome profiles in melanoma and their involvement in signal transduction, immune response, and cell cycle pathways. Taken together, we demonstrate the power of network-based artificial intelligence to provide personalized prognostic assessment for melanoma patients. The generic nature of the approach suggests that it is applicable to other cancer types. 

王绪化

浙江大学脑科学与脑医学学院研究员

王教授在哈佛大学医学院完成了中枢神经修复方面的博士后科研训练，归国加入浙江大学组建了自己的实验室。实验室主要研究治疗中枢神经系统疾病的药物及药物递送系统。主要研究兴趣包括：大语言模型、基于人工智能技术的药物设计和AAV基因递送载体的设计开发、脑机接口及组织工程技术。申请专利12项, 获授权5项，发表科研论文20余篇，包括权威科学期刊Cell，Nature Nanotechnology, Nature Communication，Neuron等。

【演讲题目】人工智能驱动AAV载体设计

【演讲摘要】在基因治疗领域，腺相关病毒（AAV）载体作为基因递送工具展现出巨大潜力，但其肝毒性等副作用限制了其广泛应用。尤其是，目前缺乏有效的中枢神经系统靶向性AAV载体。为解决这一问题，传统开发方法耗时且费力。我们利用人工智能技术，开发了一种AAV载体设计平台（AAV.ALICE）。通过收集精准实验数据，训练AAV.ALICE的算法模型以预测改造AAV壳衣特定氨基酸序列后，AAV载体跨越血脑屏障的可能性，从而直接一步到位设计跨血脑屏障的AAV血清型。动物实验证明，AAV.ALICE设计的AAV新血清型比传统AAV病毒包装能力提高了数倍，在动物体内跨越血脑屏障的能力提高了数百倍，且具有较强的跨物种能力。

叶树谦

华大基因AI算法高级工程师

叶树谦，香港中文大学计算机与信息工程博士。从事人工智能技术研发与跨领域应用，目前聚焦精准医学相关的大模型及AI应用研发。在 SCI 期刊及计算机高等级会议上共发表 10 余篇论文。曾参与国家重点研发计划、教育部学位与研究生教育发展中心、深圳市重点项目等研究项目。

【演讲题目】大模型的应用未来:从基因检测到健康管理的变革之路

【演讲摘要】本次演讲将深入探讨华大基因在大模型技术应用于基因科技领域的最新进展与未来探索方向。介绍华大基因的基因检测大模型GeneT如何显著提升基因检测的准确性与解读效率，并探讨生物信息学大模型（如Evo 2）向端到端整合架构发展的趋势及其挖掘生命科学深层信息的巨大潜力。同时介绍华大基因的综合健康管理新范式133111i，通过融合基因组、医学影像及可穿戴设备数据等多组学数据，展望如何在大模型的助力下实现对个体健康状态的动态、量化评估与精准干预，勾勒从基因检测迈向全周期智慧健康管理的变革蓝图。

04

参会人员

05

注册报名

06

联系我们

07

部分往届参会单位

08

部分往届参展企业

09

往届回顾