汇集AI力量，重塑生物医药研发范式｜AIBC2025在上海成功举办！

致辞

刘厚佳-上海市生物医药科技产业促进中心主任

在致辞中，刘厚佳主任强调，在坚定看好人工智能赋能生物医药产业广阔前景的同时，必须保持理性认知与冷静思考。刘主任指出，当前AI技术虽在理论上覆盖广泛，但能显著提速增效的实际应用点仍相对有限，未来挑战巨大，应避免盲目“狂欢”。他呼吁各方在理性认知基础上，付诸坚定行动与协同投入。政府部门、企业、学界及资本需勇于投入资源，做“难而正确的事”，并通过全国乃至全球合作推动发展。最后，刘厚佳主任特别强调需具备“但问耕耘，不问收获”的长期主义心态。面对生物医药体系的复杂性、AI技术的快速迭代以及伴随的伦理、可及性等挑战，各方需着眼长远，持之以恒，共同致力于通过AI提升人类健康福祉这一终极目标。

AI技术赋能生物医药创新发展

陈凯先-中国科学院院士

陈凯先院士分享了人工智能技术对生物医药创新发展的重要性，指出中国在生物医药领域取得的快速进步，但原始创新能力仍不足，需加强基础研究和科技创新能力建设。他提到中国在新药研发上已进入世界第二梯队，但需在原始创新上追赶国际先进水平。

陈院士还介绍了人工智能在药物研发各环节的应用，如药物分子大模型、蛋白结构预测、靶点发现等，并列举了国内一些单位在人工智能药物研发领域的研究成果。同时，他也强调了人工智能在中医药发展中的应用潜力，如中医诊断、用药、中药研究等。最后，他提到了产学研协同是推动创新的关键，并共同见证了2025上海国际计算生物学创新大赛启动仪式。

2025上海国际计算生物学创新大赛发布仪式

后大模型时代的AI与精准医学的实现

徐峻-中国科学院合肥物质院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

大语言模型的特点是参数巨、应用广、可解决超复杂系统的问题，其成就不仅用于自然语言处理，还可用于艺术、通信、数理与生命科学以及其它技术领域。大语言模型以张量为数学框架、动态拆分(分词)与组装(生成)人类知识，实现知识驱动生产力指数式地发展。大语言模型在精准医学领域的应用需要重视与领域专家共同治理数据、并与逻辑推理技术相结合、实现领域知识的动态拆分与组装，发展面向问题的医学数字孪生技术。

结构生物学中的计算问题：从算法到应用

马剑鹏-复旦大学复杂体系多尺度研究院院长

马剑鹏教授介绍了团队近年来聚焦AI for Science的系列科研成果。团队以人工智能结合生物湿实验手段，开展分子与结构生物学等多学科交叉研究，搭建了干湿结合的AI赋能蛋白质研究平台。团队自主研发的冷冻电镜数据解析算法、蛋白质折叠等算法及原创分子动力学模拟增强取样算法精度全球领先。

大会期间，马教授发布了最新研发的生物垂直领域大模型OPUS-PLLM，其在基于序列预测蛋白质功能的任务中，性能表现优于现有的融合生物学知识的大语言模型。近年来，马教授基于科研成果开展面向计算生物学与合成生物学领域的技术转化工作，设计与优化生物医疗领域所需的各类新型蛋白。

AI医药数智化生态构建与价值创造

邱婧君-复星医药全球研发中心副总裁

邱婧君博士通过分享复星医药FOSTRAID战略规划与AI4RD数智化平台的构建，来探讨数字化与人工智能技术的革命性作用及对生态系统的促进作用。邱博士认为，AI的价值创造主要在于：更高价值管线的选择判断与更高效地试错与验证。生态构建的核心在于技术、数据、业务应用场景的产学研深度融合，同时需解决数据质量、伦理监管与产业合作等挑战。已上线的PharmAID等智能工具正在推动各阶段、各部门的研发工作。相信AI将拓展我们的能力边界，创造更多可能与价值，大幅提高研发能力与效率，推动中国创新药的第二曲线！

算力发展及生物医药领域应用

顾炯-上海珑睿信息科技CEO

腾讯长三角人工智能先进计算中心及生态产业园建设及运营方上海珑睿信息科技CEO顾炯分享了关于“算力发展及生物医药领域应用”相关内容，认为生物医药产业正向精准医疗和个性化治疗方向发展，AI技术在其中扮演了重要角色。并介绍了全球头部企业算力部署现状和北美AI智算中心发展趋势，以及上海算力分布及腾讯长三角人工智能先进计算中心及生态产业园项目的算力部署情况，表示项目在AI赋能生物医药领域具有显著优势，能够提供强大的算力支持；通过AI大模型，项目能够为生物医药产业提供数据处理、模型训练等服务，加速药物研发和疾病诊断。

人工智能在蛋白质结构预测的局限和对策

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

周耀旗教授指出，AlphaFold虽革新了蛋白质结构预测，但仍存在关键局限：其精度高度依赖天然同源序列的数量与质量，导致抗体、病毒蛋白等缺乏进化数据的靶点预测不准（仅36%人类蛋白质具高置信度）。为突破此瓶颈，团队提出创新技术 "Sibs-Seq"（基于结构稳定性的深度突变筛选）： 

1. 人工替代天然序列：通过实验室定向进化生成突变库，利用结构稳定性筛选（如mDHFR耐药性系统）获得高信噪比人工同源序列（aMSA）； 

2. 显著提升精度：实验验证，aMSA使AlphaFold对难预测靶点的结构预测精确度大幅度改进，对容易预测的靶点精度等同天然序列； 

3. 低成本平民化：单次实验耗时<3周。

该技术有望解决蛋白质互作、翻译后修饰等复杂场景的结构预测难题，推动结构生物学普惠应用。

组学挖掘的机器智能和精准医学应用

刘琦-同济大学生命科学与技术学院教授

生物组学数据呈现出多模态、多尺度等特点，其有效挖掘面临高维度、弱标注等重要挑战。本次报告中，刘琦教授团队面向单细胞组学数据挖掘中普遍存在的上述挑战，系统发展了一系列机器智能算法，进行单细胞组学数据的有效表征和学习，进而赋能单细胞类型鉴定，功能基因组筛选，空间域识别以及跨模态整合等多个方面。同时，基于上述单细胞组学数据的有效挖掘，进一步展示其在复杂疾病的个体化精准用药、药物筛选以及空间生物标志物有效发现等层面的若干精准医学应用案例。体现出将前沿的AI技术和组学测序技术相结合来驱动复杂疾病精准诊疗的巨大潜力。

AI重构新药研发：战略机遇与药研范式革命--以FDA新政下的AI技术突破机会为例

李秀艳-水木分子联席首席科学家

李秀艳博士基于其深厚的新药研发功底、多年积淀的新药研发全流程经验、以及对AI技术最新进展的把握，分享了如下观点： 

1. AI赋能药物研发全景：引发全链条革命。自2022年11月ChatGPT引爆大模型浪潮，“AI智能体+行业大模型”的技术突破让AI赋能“立项-新靶点发现-早期开发-临床前研究-CMC-临床试验-准入-上市后药物警戒-销售”的各个环节成为可能。她强调，当前阶段AI的核心价值在于降低药研的创新门槛及缩短研发周期，而非立即替代人类专家和老法师发现新药。 

2. 水木分子推出的业界首个生物医药智能体开源平台OpenBioMed 以及对话式药物研发助手ChatDD正在引领药研新范式——助力药研的Copilot+Autopilot 时代。 

OpenBioMed集成由水木分子和清华大学AIR自研的多个生物多模态医药大模型以及AIDD算法为一体，药研人员可以用语言指令零门槛（零代码）、可视化、拖拉拽方式轻松形成适合自己研发任务的自动化工作流，直接生成研发报告。OpenBioMed提供开箱即用的免费工具箱；ChatDD则可通过实现专家认知与大模型知识的深度融合实时交互，助力立项、临床前药研以及临床医学撰写与决策。 

3. 针对FDA推动的使用NAMs ("AI+类器官等新技术)逐渐替代动物实验"的变革，李博士特别指出：当前临床前毒性研究方法（使用动物）效率低价格贵，有近90%药物研发因毒性而失败。水木分子凭借"业务专家+数据科学家+AI专家"的复合团队优势，积极推动AI预测毒性的模型建设。水木分子已构建从可行性评估、数据收集、治理、建库到模型建设及验证的全流程解决方案，为AI解决新药研发关键的复杂难题提供实践经验。 

AI在生物医药中的挑战

韩涟漪-恒瑞AIDD负责人

AI制药的发展依赖于跨学科协作，需要深度融合AI技术与生物、化学、临床等专业知识，通过持续学习、优化和验证推动创新。在这一过程中，即使是细分领域的微小突破，也能为行业进步贡献力量。同时，面对数据与方法的复杂性，行业应持续优化标准、提升可解释性，以增强AI模型的可靠性。整体来看，AI制药仍处于快速成长期，需要产学研紧密合作，在探索中逐步完善，共同推动这一领域的长期成功。

基于AI的药靶作用预测

郑明月-中国科学院上海药物所研究员

在现代药物研发中，药靶发现对原创药物开发至关重要。报告围绕“药靶发现新理论与新技术”，探讨我国的发展现状、挑战及未来方向。其中，基于AI的新靶点药物筛选方法，借助多维度多模态数据，如TransformerCPI依据蛋白质1D序列发现新靶点和候选药物，EquiScore基于3D结构发现肿瘤相关新靶点分子，还应用于药物靶标反卷积，挖掘化学与基因微扰关联，以及预测新化学实体微扰组学。最后，报告也展望了药靶发现研究中的核心科学问题。

融合人工智能和分子模拟的药物设计

姚小军-澳门理工大学教授/学术带头人

澳门理工大学姚小军教授介绍了团队在人工智能和分子模拟驱动的药物设计新方法的发展及其应用方面的研究工作。围绕药物设计和发现的多个应用场景，姚小军教授团队开发了多种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、数据驱动的合成路线规划、反应条件推荐和产率预测等。

针对被忽视感染病的智能药物重定位

唐海谊-澳门理工大学人工智能药物发现中心主任

澳门理工大学在被忽视感染病智能药物重定位领域取得了一些初步进展，涵盖了耐多药结核病、非洲锥虫病和利什曼虫病药物发现等。报告探讨了智能药物发现如何能应用到抗感染药物研发，并呈现了研究方法的整个流程。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，提供更多可负担的药物选择，从而改善全球健康状况做出贡献。

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

郭晶晶-澳门理工大学教授

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。本次报告主要分享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。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。

基于人工智能的环肽药物发现

段宏亮-澳门理工大学副教授

本次报告介绍了段宏亮研究团队在人工智能赋能环肽药物发现领域的最新成果。团队自主开发HighFold系列环肽结构预测模型，可高精度建模含天然与非天然氨基酸的环肽及其蛋白复合物结构。在环肽从头设计中，打造CycleDesigner和HighPlay平台，实现分子创新序列设计与结构优化。针对成药性评估，构建多项环肽透膜性和代谢稳定性预测模型。上述AI平台已广泛应用于肿瘤及自身免疫性疾病等环肽药物研发管线，有效推动环肽药物智能化设计与高效开发。

人工智能在多肽药物研发中的应用

萧詠然-澳门理工大学副教授

蕭詠然教授以“人工智能在抗菌肽发现中的方法与应用”为主题进行了报告，核心内容围绕團隊在抗菌肽发现领域的研究工作。通过构建人工智能强化学习驱动的抗菌肽发现流程，成功识别出具有高效力的新型抗菌肽。同时，为提升模型性能，團隊提出了两种有效方法：一是开展领域自适应预训练，使蛋白质语言模型更贴合预测应用领域；二是采用前缀提示策略，整合多维度相关数据提升模型精度。例如在多肽毒性预测中，纳入多类毒性指标及动物实验数据，能显著改善多肽的人体毒性预测效果。这些成果不仅为肽藥研究提供了新途径，也为人工智能在生物医药领域的应用开拓了新思路。

去伪存真：科学家策展数据在AI药物发现中的应用

郑立-CAS定制服务经理

本次演讲聚焦人工智能在医药领域的应用与挑战，尤其强调数据质量对人工智能成功的关键作用。人工智能在药物研发中展现出潜力，如辅助诊断、药物设计、多靶点效应分析、化学合成优化、药物再利用及高通量筛选。然而，数据质量、伦理争议及临床适用性等问题仍是瓶颈。 

CAS通过系统化的数据治理与跨领域协作模型，从偏差和标准化的角度优化，显著提升模型预测精度，展现了其在数据质量提升中的核心优势。CAS正推动人工智能在药物研发中的落地，为行业树立高质量数据标准。

Application of AI generative models on drug discovery

陈红明-广州实验室研究员

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，我们介绍了分子生成模型的概念和近期的发展，同时介绍课题组近年来开发的多种生成模型以及模型在多个药物开发项目中的应用实例。

生成式AI驱动的药物研发范式变革

张曼-英矽智能高级副总裁/生物学和转化医学负责人

张曼博士详细介绍了公司利用人工智能平台在药物研发中的创新成果。她首先回顾了AI在药物研发中的发展历程，并强调了其在降低研发成本、缩短研发周期方面的重要性。随后分享了公司两个成功的案例。张博士还介绍了公司在机器人实验平台等方面的最新进展，并展望了AI在辅助药物开发设计、预测临床开发等方面的应用前景。

量子计算+AI：探索药物设计中未曾设想的可能

李翛然-医图生科联合创始人/CEO

演讲回顾了从CADD（计算机辅助药物设计）到AIDD（AI驱动药物设计）的演变，并指出当前AI在药物研发中的局限。医图生科创新引入量子计算，突破传统算法瓶颈，展示了在ISCA会议上发表的论文成果，并宣布自建量子计算平台TyxonQ将于7月上线： 

1. 技术革新：量子计算高效求解薛定谔方程，可以提供发现传统计算机辅助药物设计CADD与AI药物设计中，未曾发现的药物作用位点，并展示了具体药物案例； 

2. 管线突破：由量子计算与AI综合参与研发的雄激素脱发，拉曼光谱以及重组胶原蛋白现已推动到商业化阶段；

3. 生态赋能：2025年ISCA大会发布迁移学习框架GQE加速药物研发，提出“基于微观物理世界规律的强化学习”，拜托实验数据缺乏的桎梏。提出创造式人工智能，从而带来全新的药物研发范式。 

量子+AI技术正重塑从靶点发现到临床前研究的全流程标准。

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

卞月珉-上海大学特聘教授

人工智能药物设计通过融合多模态信息，显著加速创新靶标识别、苗头分子发现、苗头先导优化、以及成药性预测等诸多流程。其核心价值在于以数据驱动补全传统药物研发的知识盲区，以生成建模探索化学空间的新结构可能，以预测算法提升成药成功率与研发效率。未来人工智能药物设计有望与结构生物学、高通量实验和临床真实世界数据深度融合，构建具备机制靶向性、群体适应性与跨尺度验证能力的一体化智能研发体系，推动新药研发范式根本性变革。

AI驱动的新药发现软件平台DrugFlow的开发

侯廷军-浙江大学药学院求是特聘教授/碳硅智慧创始人

侯廷军教授以“AI驱动的新药发现软件平台DrugFlow的开发”为题，从生物活性分子筛选、分子生成、成药性/安全性评价等三个方面展开工作介绍，分享了包括高精度打分及虚拟筛选方法RTMScore、KarmaDock和CarsiDock、高质量多约束分子生成算法MCMG、ResGen、SurfGen、ClickGen及DELETE、以及行业领先的成药性预测系统ADMETlab。这些突破性技术形成的闭环工具已整合进碳硅智慧的DrugFlow新药发现软件平台，已有恒瑞、齐鲁、罗氏创新、信立泰、康恩贝等头部药企及高校研究所，三甲医院等100余家用户。

AI在PCC发现全流程的应用

林建平-南开大学药学院教授/贝芸科技创始人

报告聚焦AI在PCC发现全流程的应用，涵盖靶点发现、先导发现与优化等阶段，涉及虚拟筛选、分子生成等技术。通过卒中等4个案例，展示AI在药物研发中的实际成效。还介绍了贝芸“分子智芯”大模型及一站式平台，凭借高命中率、灵活定制等优势，为新药研发扩边界、提效益。

DEL与AI驱动的靶点探索和化合物发现与优化

窦登峰-成都先导副总裁

人工智能正深度变革药物研发范式，显著提升新靶点发现与分子设计效率。以DNA编码化合物库（DEL）为代表的高通量技术可快速生成海量靶点结合数据，为AI模型提供优质训练集，推动化合物筛选与优化的精准度突破。尽管AIDD在分子发现领域成效显著，但靶点-疾病机制解析、临床转化率提升、跨机构数据安全共享等难题仍待突破。多组学整合、因果推理算法及联邦学习等新技术有望构建更完善的生物医药AI生态，加速从靶点验证到临床研究的全链条创新。

AI时代的小分子创新药研发实践

宋云龙-石药集团全资子公司上海翊石医药总经理

AI的发展推动旧范式向AI建模+自动化试验+专家联合驱动的新范式转变。药化专家引领和AIDD赋能双轮驱动，可提高药物研发成功率及效率。

相信随着AI技术的不断发展，尤其是在计算能力、算法优化和数据共享等方面的突破，AI在新药发现中的潜力将得到进一步释放，带来更多的创新机会。

东阳光药AI进展与规划

金传飞-东阳光药副总经理

未来东阳光将全方位拥抱AI在生物医药领域的应用，包括：

构建医药研发+AI化学知识大模型。依托东阳光强大的药物研发及产业化海量数据基础，构建药物研发+AI高质量化学数据库和知识图谱；

建立新药研发+AI智算平台。借助华为云算力及服务能力，建立自有新药研发智算中心；

打造新药研发+AI行业新生态。全方位打造L1-L2级药物研发AI科学计算模型，提升AI技术对药物研发领域影响力，打造药物研发+AI行业新生态。

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

黄博-望石智慧研发副总裁

黄博士深入解析了其团队自主研发的多模态3D分子生成模型的核心亮点：

1. 通过融合行业级别的独有数据——实验电子云密度，使得该模型能够更全面的理解类药分子与口袋的相互作用，从而提高模型的生成效果和虚筛效率。

2. 通过活性分子复现解决了计算指标无法真实评价“活性”的问题，结合合理性、新颖性的阶梯式评估方法解决行业常见的不类药分子的“刷分”现象，使得模型可以在信息不泄露的情况下能够生成结构新颖的活性分子。

如何提高小分子药物设计成功率

裴剑锋-北京大学研究员/英飞智药创始人

目前AI药物设计的整体成功率偏低，离应用落地还有距离，这是AI制药行业的核心挑战，不同的AI药物设计成功率，经过多步累加后整体成功率甚至能相差几十倍。我们发展了多种基于大模型的新算法和新策略，结合专家级别的应用方式，大幅度提高了药物设计成功率。另外，目前药物分子生成算法的评价指标存在较大问题，需要进行改进，较高成功率的多次湿实验验证应该成为评价算法的金标准。

GenMAS: 一种AI驱动的药代动力学建模与评估策略

张国栋-长春金赛药业高级总监

出于对减免动物试验的伦理与法规的考量，我们发展了一种AI驱动的药代动力学建模与评估策略GenMAS。GenMAS以AI-ADMET性质预测模块为基础，尝试了两种AI-PBPK结合建模的评估策略，旨在为化合物早期性质评估和药代动力学性质探索提供快速支持。自研自有自迭代的AI-ADMET性质评估模块，打造了金赛专属数据预测体系；与商业软件相结合以及自建高通量AI-PBPK的两种评估模式在多种属药代动力学预测探索提供了潜在解决思路。

基于生物合成反应大数据的酶挖掘技术体系

胡黔楠-武汉大学人工智能学院教授

人工智能与生物制造相结合将可能带来物质制造的变革性发展突破，垂直领域的AI模型构建需要高质量标注的生物制造大数据和强大的算力支持，适用于生物制造领域的化学和生物学知识特征的算法选择对精准的模型开发也非常重要，以工程化的思维进行全链条技术的AI赋能对于产业化成功至关重要。

AI驱动的生物分子动力学模拟新纪元

王童-清华大学生命学院助理教授/课题组长

2024 年诺贝尔化学奖授予了AI驱动的蛋白质结构预测和设计，然而如何利用AI准确描述蛋白质的动态运动，是另一个需要解决的难题。生物分子的动力学模拟是生命科学和药物发现研究的基础技术，其有效性取决于其准确性和效率。

我们提出了基于AI的生物分子动力学系统AI2BMD，首次实现了量子级别精度的蛋白质动力学模拟。AI2BMD以量子级（从头计算）的精度高效地模拟了超过10,000个原子的多种全原子蛋白质，比量子力学方法快百万倍以上，对蛋白质折叠过程、构象空间探索、自由能等热力学性质的计算带来更为准确的描述和分析，与ViSNet网络联合建模在首届全球AI药物设计大赛中获得冠军，为蛋白质动态机理探索、药物研发和蛋白质设计等领域带来全新的视角。

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

马步勇-上海交通大学药学院长聘教授

蛋白质设计已经深入到理论研究和生物医学的直接应用。突破alphafold只预测静态结构的瓶颈，能够预测动态构象也日益得到重视。达到这个目标需要对控制蛋白质和复合物动态变化的科学理解，蛋白质互作受到热点氨基酸的控制，也遵循构象选择的机制。

菲鹏数辉开发的抗体配对模型可以很好预测两个抗体同时和一个抗原结合，包括结构不确定的动态抗原。菲鹏数辉的Deepconformer预测蛋白质动态结构，今年又升级到预测蛋白质复合物动态构象。通过设计“能够跳探戈的蛋白质”，Deepconformer可以促进药物研发、合成生物学、体外检测3大赛道蛋白质动态结构预测和设计。

生成式AI：蛋白质药物理性设计的“新引擎”

焦阳-达索系统生命科学工艺流程顾问

本轮AI的热潮主要源自生成式AI技术的突破性进展，在生物医药领域，生成式AI为蛋白质设计提供了全新的驱动力，为过去难以实现，或纯粹依赖灵感的复杂蛋白结构设计提供了工具。

达索与RFDiffusion算法的发明人密切合作，对该算法进行了工程化调整和改进。通过多种模型相配合，辅以传统的基于物理的方法，配合引入模板，添加约束，调整采样权重，和局部精修等技术，同时在保证设计目标的前提下引入足够的随机性，使得蛋白设计过程更加实用可靠。

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

李晓林-中科院医学所AI首席科学家

随着人工智能的快速突破，生命科学迎来第五范式的飞跃：人工智能驱动的生命科学。药物研发行业存在一个著名的“双十”魔咒，即一颗新药的研发需要花费10年时间、10亿美元。李教授展示了如何利用人工智能驱动的生命科学来突破这一魔咒，进一步迈向个性化药物研发的新天地，提速降本增效几个数量级。李教授提出了首个端到端的原子级别的个性化肿瘤疫苗设计全流程平台AtomicVac。AtomicVac在多个关键环节取得了业界最佳SOTA效果，有望加速个性化肿瘤疫苗的突破和未来大规模部署。

Protenix-复合物结构预测和设计

肖文之-Bytedance Research Protenix团队负责人

结构是连接序列与功能的核心纽带，是生命科学研究和药物理性设计的基础。结构预测模型不仅用于还原分子形态，更是通往功能理解与分子设计的重要桥梁。我们开源了复合物结构预测模型Protenix，是当前全球领先的AlphaFold 3开源实现之一，支持全分子类型的高精度结构预测。基于这一模型，我们正在探索将结构预测与生成式分子设计深度融合，构建涵盖结构生成、功能筛选与湿实验验证的闭环流程。 

我们期待汇聚科研与产业界的共同力量，建立开放合作的生态，共同打造具备可复现性、可迁移性和可验证性的结构建模与设计体系，推动计算工具在真实任务中发挥实际价值，助力解决生物医药领域的关键挑战。

AI Aided Drug Discovery

慕宇光-新加坡南洋理工大学教授

慕宇光教授研究组用AI工具深入分析患者的单细胞转录组数据，为找到崭新的药物靶点提供途径。同时在RNA靶向小分子的研究中 开发了有效的打分函数，为新的药物发现奠定坚实基础。 对于非成药的重要蛋白，本课题组采用从头设计多肽/小蛋白的方法，开发新型的大分子药物。

用蛋白质从头设计编程生物材料

李喆-南方科技大学副教授

本报告以蛋白质三维晶体为例，展现了蛋白质从头设计在新型生物材料及生物医学工程中的应用前景。报告中结合生物物理方法和深度学习算法，从纳米笼基元和预设相互作用等两方面实现多级有序自组装。第一种方法在纳米笼间设计全新界面，获得高孔隙率、高热稳定的三维晶体，并构筑具动态光学特性的无机纳米粒子超晶格；第二种方法模拟金属有机框架网络，通过定向编程调控晶体孔道的尺寸、形状和电性。

Multimodal Diffusion Language Models for Protein Modeling and Design

顾全全-ByteDance Research AI制药团队负责人

生物分子多模态大模型正在为AI制药带来前所未有的机遇。这类模型不再局限于单一分子，而是同时学习和理解蛋白质、DNA、RNA以及小分子等多种生物分子的序列、结构和功能信息，就像让AI具备“读懂生命语言”的能力。未来，它们有望帮助科学家更快发现新靶点、更高效筛选候选药物，并设计出全新类型的蛋白质或核酸药物，推动精准医疗和个性化治疗的落地。特别是在癌症、罕见病等复杂疾病领域，多模态大模型结合生成式AI和高通量实验，有可能改变药物研发的传统流程，大大缩短研发时间。

AI赋能生物制造，梦想、现实、与突围方向

王晟-智峪生科CEO

2012-2016年期间，王晟博士与团队开发了全球首个深度学习蛋白结构预测技术，直接启发了AlphaFold等诺奖成果。2021年创立智峪生科之后，突破性打造AI驱动的生物制造全链条闭环。其三大核心技术形成核心壁垒：fastAF2实现蛋白结构预测速度超AlphaFold2百倍；zPoseScore在CASP15全球蛋白-配体对接竞赛中位列前三，显著提升正向与反向虚拟筛选精度；CataPro酶活性预测模型（Kcat/Km）显著优于SOTA模型。该技术体系支撑“路线设计→酶挖掘→酶改造”全流程AI研发，18个月实现天然香兰素吨级量产（转换率98%），研发成本降低60-70%，产业化周期从5年压缩至1.5年。通过替代高碳化工工艺，生物制造降低碳排放30-50%，智峪生科以技术闭环重塑产业效率，成为AI+生物制造国际领导者，引领绿色工业革命。

NatureLM：基于自然语言的跨模态分子设计

夏应策-微软研究院科学智能中心首席研究员

NatureLM是一款基于GPT架构的科学大模型，包含1B、8B和46.7B三个参数量版本。该模型能够整合小分子、蛋白质、核酸、材料和文本数据，支持通过自然语言输入生成或优化科学实体，包括设计与蛋白质结合小分子/RNA以及设计和小分子结合的蛋白等。实验验证了模型效果随规模扩展而提升的特性。NatureLM为跨学科研究提供了创新的AI解决方案。未来NatureLM将持续深耕跨领域建模、科学推理与领域专用优化，不断探索基础模型在科学发现中的应用。了解更多信息请访问https://naturelm.github.io/

Transforming Biological Understanding: The Emerging Influence of Foundation Models

许晟-复旦大学

我们致力于构建统一的AI基础模型，解决从序列到结构的核心生物学难题。在蛋白质发现层面，我们开发的π-PrimeNovo等质谱从头测序模型，将精准度提升11%，旨在揭示“蛋白质暗物质” 。在结构预测上，我们的DHR算法将蛋白质结构预测速度提升93倍，实现了高通量分析 。更进一步，我们针对RNA结构预测难题，构建了融合几何注意力的RNA大语言模型，其预测精度远超以往方法，解决了该领域的长期挑战 。这些工作共同为精准的分子设计奠定了基础。

基于生成式AI模型的抗体从头设计和优化改造

王天元-科迈生物CEO

科迈生物CEO王天元博士分享了基于生成式AI进行抗体从头设计与功能优化的最新成果。他首先介绍了AI从头设计抗体的案例：通过指定抗原表位并利用AI模型从头设计抗体，已在四个靶点上完成验证，成功获得亲和力和功能符合预期的抗体，预计未来三年设计成功率可突破1%，具备大规模应用潜力。随后，王博士展示了抗体功能优化的两个典型案例：其一是对GPCR激动型VHH抗体的活性改造，通过多轮干湿迭代优化，使激动活性提升至pM级别，超过原始序列百倍；其二是在CAR-T抗体的选择性改造中实现了对肿瘤细胞的精准杀伤，同时避免对正常细胞的结合。最后，他介绍了AI Agent在抗体设计中的应用，相关工具平台已通过www.clickmab.com上线，助力更多科研人员便捷使用AI赋能抗体药物研发。

基于结构的抗体药物研发AI实践

龙云飞-晶泰科技Ailux智能药物设计总监

从第一性原理角度来看，抗体药物研发应该从结构出发。由于抗原-抗体复合物结构预测是世界公认的难题，所以过往抗体药物研发的计算设计方法往往是从序列出发，或者由电镜/X-ray等湿实验方法解析得到复合物结构之后再从结构出发进行计算设计。电镜/X-ray等结构解析方法需要耗费数十万元人民币和2-3个月时间，这极大地限制了从结构出发来进行抗体药物计算设计方法的发展。 

晶泰科技Ailux团队在2023年6月研发出来的XtalFold蛋白复合物结构预测算法在抗原-抗体复合物结构预测领域取得了世界领先的性能，即使在“后AlphaFold3时代”也得到了强生、优时比等多家国际大药企的高度认可。在此基础上，Ailux团队结合自研的从结构出发的蛋白设计算法、成药性预测等算法，在大量传统湿实验方法或传统计算方法认为高难度的抗体药物研发项目中取得了卓越的成果。本讲座对其中的3个案例进行了介绍，包括了抗原设计、多目标优化、特异性设计等方面。由此可见，从结构出发确实可以让抗体药物研发中不少传统方法感到棘手的难点迎刃而解，不仅大大节省时间，而且常常取得比传统方法显著更好的效果，甚至让难以成药靶点可以成药。

AI抗体发现与设计进展

曹志伟-复旦大学特聘教授/计算生物学系主任

功能性抗体药物研发传统上多依赖于实验高通量筛选与反复优化，现有抗体相关数据不够丰富，致使AI大模型在免疫复合物预测上效能仍然有限。 

围绕抗体药物发现与优化的关键环节，曹教授介绍了常用抗体计算资源、抗原抗体虚拟互筛系统、功能抗体发现案例及未来方向。报告以新冠为案例，展示了如何综合运用以上技术，在几天内预测冠状病毒的家族广谱抗体。相关AI技术也适用于癌症和其他类型疾病的抗体研发应用场景，未来趋势包括抗体的可开发性预测与AIagent开发。

From Code to Cure: How Generative AI Is Accelerating ADC Discovery

朱忠远-映恩生物创始人/董事长/CEO

报告分享了映恩生物在生成式AI加速ADC创新方面的一些探索与思考。这个过程中，我们也面临了不少挑战和不确定性，但我们没有等待“完美模型”的出现，而是选择边做边学、快速迭代。我们从靶点识别、抗体筛选到双载荷优化，将生成式 AI 逐步嵌入核心研发流程。 

我们相信这不是技术的简单叠加，而是药物研发新范式的演进。未来，我们希望与更多AI领域的新锐团队和专家携手合作，把“AI for ADC”从概念变成真正的企业能力，将科学洞察(insight) 与全球执行力(execution)相结合，为患者带来持续、有意义的临床价值。

生成式AI与高通量数据闭环：多功能抗体设计新范式

陆威-寻明生科人工智能高级总监

寻明生科开创性融合高通量实验与生成式AI，为多功能抗体设计提供高效解决方案。典型案例显示，该平台在传统方法难以突破的领域（如双表位内吞抗体设计）表现卓越： 

1. 通过高通量单细胞功能性筛选技术，对数百万级候选分子同步进行活性表征，解决传统流程的漏筛痛点； 

2. 结合海量私有数据训练的生成模型，实现双抗表位配对、内吞活性等复杂功能的协同优化； 

3. 技术路径将抗体研发周期从数年压缩至数周，并系统性攻克高难度多功能分子的设计与优化壁垒，为创新药物开发建立“AI+实验闭环”新范式。

AI赋能药物研发-金赛药业AIDD双平台介绍

鲜翾-金赛药业首席信息官/数字研究院院长

AI的快速发展让药物研发的全流程都得到加速和质量提升。金赛药业数字研究院的AI和数字化团队以卓越上市为终点，从靶点筛选、分子设计、干湿混合实验验证、工艺确认、临床方案、患者入组、申报注册、RWE、适应症拓展、院端合规科研合作等各个维度，识别高价值场景，充分和传统大研发团队配合，落地AI实践，不断在链条中形成闭环，并形成自己的两大核心技术平台：GenRDSS研发辅助决策平台，和GenMol分子生成平台。希望能形成下一代药企的研发到上市的新型范式，并获得商业成功。

通用全局势函数的人工智能原子模拟与AI智能计算平台

刘智攀-复旦大学教授

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。

深度双向决策支撑的启发式树搜索赋能化学逆合成路线规划

涂仕奎-上海交通大学长聘副教授

启发式搜索历来是人工智能领域一个重要的研究方向。通过深度神经网络学习的启发式函数实现了符号人工智能（AI）时代树搜索算法的复兴，显著提升了问题求解能力，并首次在人类智力巅峰的围棋中击败世界冠军。这些前沿AI技术可以辅助高效求解分子逆合成路线规划、分子设计等领域问题，赋能药物研发、化学研究，带来新一轮的科研范式革新。从科学问题源头出发，着力于AI基础算法的创新，提升国家新质生产力的一个重要手段。

环肽药物的智能设计与自动化合成

李承喜-浙江大学化学与生物工程学院教授

浙江大学李承喜教授团队研发的环肽药物智能设计与自动化合成系统，通过集成自动化合成装置与智能工艺技术，实现了环肽分子的高效精准构建。其核心技术亮点在于自主研发的环肽合成产率智能预测算法，该软件通过机器学习模型量化评估环肽结构稳定性与合成可行性，显著提升了目标分子设计成功率与合成路径优化效率。该技术体系建立了从分子设计到自动化合成的闭环研发平台，为加速环肽类药物开发提供了创新性解决方案，尤其在高通量筛选与结构优化方面展现出显著技术优势。

AI驱动的智能化学家系统

廖矿标-广州国家实验室研究员/标智未来创始人

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。

人工智能驱动的连续流制药工艺优化

苏安-浙江工业大学副教授

本研究搭建了集成在线检测分析和贝叶斯优化算法的智能化连续流工艺优化平台。通过在线分析技术，能够实时监控反应过程中的关键参数及产物信息，并将检测数据即时反馈给贝叶斯优化算法，实现对催化剂和反应条件的高效多目标筛选与动态调整。该方法显著提升了连续流工艺的开发效率与自动化程度，减少了实验资源消耗，优化过程更加绿色、高效。整体而言，本平台充分展现了连续流合成在智能化工艺开发、实时过程监控以及高效条件优化等方面的突出优势，为医药和精细化工等领域提供了有力的技术支撑与创新思路。

单通道全自动合成工作站

林昶旭-厦门大学物理科学与技术学院副教授

基于釜式反应的自动化合成是对现有高通量反应和连续流反应自动化合成的重要补充。此技术便于从经典手动反应迁移，在提高中高合成量反应的重复性和完全性方面具有不可替代的价值。 

智能化学新赛道，对于兼具化学知识和信息技术基础综合理解的人才具有本质需求。在大学教学体系中设立交叉课程运用多种方式培养化学自动化和AI专门人才，值得重视与推广。厦门大学在这一方向上进行了有益尝试。

基于大模型的数字细胞构建与生物制药领域应用

李鑫-中国科学院动物研究所研究员

中国科学院动物研究所李鑫研究员在报告中系统阐述了以知识为基础的跨物种模型开发，旨在实现基于转录组的细胞本质及基因之间复杂关系的解析。通过应用人工智能技术，破译通用基因调控机制，从而加速细胞命运关键调节因子的挖掘和候选药物靶标的高通量鉴定。

人工智能虚拟细胞(AIVC) ——重塑药物研发的新范式

钱鎏佳-西湖大学助理研究员

人工智能虚拟细胞(AIVC)技术在医药领域展现出巨大潜力。构建AIVC需要整合多种数据类型，包括先验知识、多组学数据、空间分辨的图像数据、表型数据以及动态微扰数据。特别是动态微扰数据对于模拟细胞响应至关重要。AIVC在医药领域的未来应用前景广阔，可用于药物虚拟筛选，加速新药研发进程；预测药物敏感性和协同作用，辅助个性化治疗方案设计；发现老药新用的潜在抗癌组合；甚至可能替代部分动物实验，提高药物开发效率。随着技术不断进步，AIVC有望在泛癌预测、精准医疗和药物开发等方面发挥越来越重要的作用，为医药研究和临床实践带来革命性变革。

基于AI+类器官的肿瘤创新靶向药研发

代长贵-希格生科COO

希格生科（Signet Therapeutics） 是一家 基于“AI + 类器官”技术平台开发First-in-Class（FIC）癌症靶向创新药 的生物科技公司。

AI通过虚拟筛选和计算模拟，能提供广度的候选药物筛选和迭代及缩短研发周期；类器官通过接近临床人群药效和安全性评价，能提高药物临床试验有效性和安全性。两种技术的结合（IT+BT）实现高效高成功率的药物开发,为传统药物企业提供换道超车全球的机会。

多组学+AI，助力创新药物的差异化研发

季序我-普瑞基准创始人/CEO

“多组学+AI”是将AI应用于新药研发的重要方向，通过对海量多组学数据的挖掘，可以协助药企深化对疾病生物学的理解，从而评估创新靶点，制订差异化、成功率高的临床开发策略（适应症选择、生物标志物发现、合理的联用方案探索）。 

“大语言模型+单细胞组学”使得我们可以构建疾病基因调控模型。常规上，构建疾病的基因调控模型需要大量转录组数据，往往并不现实，但“预训练+微调”的迁移学习，理论上可以在疾病相关数据有限的情况下，建立基因调控模型问题，进而帮助发现和评估全新的靶点。 

“AI+新药研发”应该紧密围绕产业需求。产业研发和学术研究差异很大，其研发性质、具体场景都不一样。数据和算法，都是围绕产业研发的具体需求的。如，肿瘤新药开发往往先定位在后线治疗，然后再前移。因此，获取和整合“经标准治疗的肿瘤”单细胞数据，其价值远远超过“未经治疗的肿瘤”单细胞数据。

深势科技 AI for Science 药物研发数智化平台

李厦戎-深势科技生命科学方案高级总监

深势科技面向生物医药领域需求，构建了覆盖“读、算、做”全面场景的AI for Science（AI4S）数智化研发体系。具体而言，玻尔科研空间站的科学导航系统，集成了业界领先的科学数据多模态解析模型，实现对文献、专利、技术文档的广度检索与深度解读。Hermite药物科学计算平台，基于深势科技在小分子、RNA、蛋白质等多个药物模态上全球一线大模型能力，构建如Uni-FEP、Uni-QSAR等算法模块，为药物分子发现、设计、优化等提供先进工具。近期推出的Uni-Lab OS，以开源方式助力更多实验室构建“干湿闭环”，加快实现研发智能体。深势科技致力于以AI4S技术为研发团队增强“科学生产力”，打造人机协同智能研发模式，加速医药创新。

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

叶森-耀速科技科学事务总监

长期以来，药物开发高度依赖动物试验，但超过90%的候选药物在临床阶段宣告失败，亟需新兴技术提升药物反应预测能力，从源头降低失败风险。 

耀速科技致力于打造新一代高效、安全的临床前药物开发平台，融合高通量器官芯片、细胞形态学、多组学分析及AI算法，重塑药物筛选范式。该平台通过大规模器官芯片系统自动获取三维细胞图像，深度解析基因簇与化合物结构间的复杂关联，高效识别具有开发潜力的候选分子。耀速科技的器官芯片系统可拓展通量，为生物医学研究提供全栈式解决方案和新见解。

AI驱动基于CRBN的分子胶新底物发现及临床开发

任超伟-标新生物转化医学副总裁

标新生物转化医学副总裁任超伟博士阐述了分子胶药物的独特优势：通过诱导全新蛋白相互作用，攻克传统"不可成药"靶点，相比抑制剂能实现更深度的靶点调控作用。尽管基于CRBN的分子胶开发存在挑战，但其应用前景广阔。依托超10年技术积累，标新生物已建立包含六千余种结构新颖，骨架多样的分子胶文库。通过数据驱动和AI赋能的双引擎策略，公司已挖掘超五百个潜在分子胶新靶点，并获得约20个新底物靶点的先导化合物。通过多尺度的数据与人工智能深度融合的研发模式，标新生物正在重塑分子胶药物的开发范式，加速了从靶点发现到临床转化的全流程。

人工智能赋能宠物创新药物研发

王俊毅-宠王科技创始人/CEO

AI+制药标志着将科学带领进工程化的时代，生物制药企业与AI制药企业合作是行业趋势。 宠物药市场快速增长，并且近年也有超数千万美元的从中国授权海外的交易，中国的宠物创新药正处于中国人类创新药十年前的阶段。 

我们需要打破传统SaaS模式，拥抱Agentic AI降低所有医药企业使用技术的门槛。 

变构药物的系统性设计是小分子药物领域具有重大潜力的突破性技术，可以解决难成药靶点。 

宠王科技利用AI+分子模拟+量子力学的技术，遵循“One-health”同一健康理念，专为人-宠双市场。

AI助力自身免疫疾病一类新药研发

郭怡兰-拓领博泰转化医学总监

在本次大会上，我们深入探讨了人工智能（AI）在创新药研发中的革命性作用。AI技术能够显著加速药物研发进程，缩短传统研发周期，同时为难成药靶点提供全新的药物设计思路，为突破性疗法的开发开辟了更多可能性。未来，我们期待新一代AI模型的涌现，进一步提升对小分子药物活性、毒性和成药性的预测准确性，为药物优化提供更可靠的指导。同时，我们也热切期盼更多由AI辅助设计的药物分子顺利进入临床阶段，并最终成功上市，真正惠及全球患者。AI与药物研发的深度融合，必将为行业带来更多突破与惊喜。

AI驱动的药物分子生成方法开发与应用研究

胡乔宇-华东师范大学副研究员

近年来，药物分子生成技术因其能显著提升新药研发效率而备受关注。华东师范大学药学院团队开发了系列创新方法：针对大环化合物设计难题，团队开发的MacFormer模型提升了大环化合物的新颖性，并优化出JAK2的大环抑制剂；针对天然产物结构解析困难，NatGen模型采用图混合增强技术，实现天然产物三维结构的精准预测；为提升靶向药物设计成功率，DiffGui模型通过耦合原子扩散与化学键扩散，并使用分子性质作为引导，使得原位生成的分子不仅结构合理，而且性质优良；AutoFBDD方法基于片段进行药物设计，可以同时生成配体分子和PROTACs分子。这些成果为AI驱动的新药研发提供了重要工具和方法学支撑。

AI大模型赋能智慧医疗--医院场景的应用与实践

陈晓文-智谱华章AI医疗大模型负责人

报告涵盖了基于CRBN的分子胶新底物发现、AI驱动宠物与人类创新药物研发、自身免疫疾病一类新药的创新，以及AI在药物分子生成中的应用。演讲内容充分体现了AI大模型与生物医药深度融合的趋势，推动了创新研发与临床转化。人工智能技术正加速赋能创新药物设计、分子靶点发现及医疗场景落地，促进智慧医疗高质量发展。大会为业内专家搭建了学术交流和产业协作的重要平台，推动行业持续变革与突破。

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

李博-北京理工大学前沿交叉科学研究院副研究员

多药联用具有疗效优势，但显著增加了不良反应（ADR）风险。现有计算模型难以从器官层面阐明ADR的关键机制，从而限制了ADR预测的准确性。我们提出了OrganADR的两药联用不良反应预测框架。该框架通过器官层面的关联学习机制，整合器官ADR数据、药物分子特征、生物医学知识网络，通过可解释计算模块实现多源信息融合。OrganADR在涵盖15个器官的评测中取得了最优性能，且能提供不良反应相关的关键蛋白互作网络信息。该研究建立了跨尺度信息整合的计算范式，为预防两药联用的ADR提供了创新方案。

数智本草大模型

魏宇-天士力数智中医药公司人工智能平台主任 

天士力长期致力于中医药数智化发展，与华为合作构建了首个双模态中医药语言大模型-中医药计算大模型。此外与科研院校合作，收集清洗50T+海量中医药数据，构建知识图谱以及相关应用。另外还开发了基于中药成分计算大模型的创新算法，进行了组方宏观评估、微观评估等工作。最终通过政-用-产-学-研-金-服，打造数智本草中医药创新生态。

核酸分子计算与功能核酸基座模型开发

韩达-中科院杭州医学所研究员/臻智达生物创始人

AI赋能蛋白设计已取得突破，核酸设计仍是领域内难题。数据匮乏和算法稀缺制约AI赋能核酸药物的“从头设计”。

韩达团队构建了功能核酸多模态知识库，利用通用大模型技术自动抽取、标准化核酸“序列-结构-功能”等数据，结合团队自研数据构建数据库，加速功能核酸知识的整合与应用。此外整合了多模态核酸序列-结构-功能数据库，训练功能核酸语言模型，开发贝叶斯优化方法，实现活性引导的核酸适体序列“从头设计”。未来计划进一步推动AI与核酸结构、核酸功能设计相关研究。

AI科学超智能加速新品

于亚澎-途深智合联合创始人/COO

未来的数年内，产业界对AI的要求将不止局限于提供过程优化方案或者干实验假设，单一的AI模型也很难推动产品的落地。融入多模型的AI AGENT干湿试验一体化平台将大大加速药物的设计和迭代速度。

人工智能环肽药物设计

吴迪舟-上海交通大学 

本报告采用了一种适用于环肽结构预测的全原子扩散模型，利用二维分子图作为分子表示，能够自然涵盖非天然氨基酸和多种环化方式，克服了传统方法利用氨基酸序列表示的局限。模型在CREMP数据集上训练，并在包含非天然氨基酸的环肽测试集中取得良好性能，平均RMSD为0.524Å，rTFD为7.73°。通过后处理修正手性，进一步提升预测精度。该方法为环肽药物设计提供了高效、可扩展的结构预测工具。

机器学习组合模型加速多肽以及小分子药物开发

黄俊杰-中国科学院杭州医学研究所副研究员

数据在人工智能领域占举足轻重的作用，训练一个准确可靠的模型需要大量的数据支撑。但是在生物医药领域，数据积累不够充分，限制了人工智能在该领域的应用。黄俊杰团队发现，将知识嵌入模型后会大幅提升模型预测准确率，减少数据需求。在抗菌肽设计领域，黄俊杰团队开发了结合经验判断、分类模型、排序模型、回归模型的知识嵌入路径，成功解决了超大范围抗菌肽筛选问题，仅耗时27天即可从超过5000亿样本中筛选高效抗菌肽，成功率高达98.1%；面对抗鲍曼不动杆菌肽数据匮乏问题，使用预训练大模型结合多步微调技术，仅使用百余数据训练模型，并成功从超过250亿样本库中筛选高效抗鲍曼不动杆菌肽，成功率高达91.1%。

A disease network-based deep learning approach for characterizing melanoma

来昕-芬兰坦佩雷大学长聘教轨助理教授

黑色素瘤的基因组异质性极为显著。因此，将基因组学数据与已知的基因组变异和黑色素瘤预后关联相结合，有助于识别与患者结局最相关的基因组特征。本研究通过整合基因组数据、疾病网络和深度学习模型，实现了对黑色素瘤患者的预后分类及基因组特征对疾病分类影响的评估。我们的研究表明基于基因组数据和疾病网络的深度学习模型可为黑色素瘤患者提供个性化预后评估。此外，该方法的通用性表明其同样适用于其他癌症类型精准医疗。

人工智能加速新药开发“中国速度”

郑铮-予路乾行创始人

郑铮博士认为AI在早期研发中的贡献是切实可感的。它能快速梳理临床端、专利端、文献端的数据，将传统上耗时数月的信息分析缩短至短短几小时。这种效率的提升，不仅加速了信息获取，更重要的是，它能辅助制定研发策略，并帮助企业避开研发雷区，识别疾病领域研发路径。 

郑博详细介绍了利用予路乾行的“AI+多尺度分子动力学”技术平台，成功帮助上市公司博瑞医药BGM0504管线快速推进至PCC阶段，目前该管线已进入临床III期，以及深度参与北京鞍石生物的小分子管线早研阶段，目前该管线也已进入临床III期阶段。 

郑博士同时指出，要让真正做药的药学专家，知道算法到底能帮助到什么，需要去问正确的问题，而不是坐等计算生成。另一方面，做算法的计算专家，需要去了解药学的真正需求。

大模型的应用未来：从基因检测到健康管理的变革之路

叶树谦-华大基因AI算法专家

华大基因AI算法专家叶树谦分享了GeneT基因检测多模态大模型在变异筛选、ACMG评级、变异质控等环节中提升解读效率的实践应用，并展示了ChatGeneT罕见病遗传咨询智能决策系统如何依托LLM能力辅助临床诊疗决策。他指出，大模型未来的发展将聚焦于端到端处理基因测序数据，并逐步迈向多组学数据的深度融合。 

最后，介绍了华大基因的133111i精准健康管理新范式，通过整合基因组、血尿便、医学影像、内窥镜、脑科学与运动监测等多源数据，构建更精准、量化的个体健康评估与风险防控体系。