生命科学·赛题详情丨2026 DeeCamp 开启报名

赛题名称

1.1 AI Agent 驱动的多肽药物发现：从靶点洞察到功能性 Binder 设计

赛题标签

🔬 生命科学 / 💊 AI制药

赛题介绍

多肽 Binder 是药物发现中的重要分子类型，可用于阻断蛋白-蛋白相互作用（PPI）、模拟天然配体、调节受体功能，或作为高选择性的分子探针。传统多肽设计通常依赖研究人员手动查阅文献、分析结构、判断表位、提出序列设计假设，并通过多轮计算和实验验证不断优化。随着大语言模型、Deep Research、工具调用和多智能体系统的发展，我们希望探索一种新的研发范式：让 AI Agent 像科研助理一样，自主完成从靶点调研、表位解析、候选生成、结构预测、计算打分到最终候选推荐的完整工作流。

本课题要求学生构建一个面向多肽药物发现的自主科研智能体系统。给定一个已知蛋白靶点及其关键表位，或一个已知 PPI 体系，系统需要自动检索公开文献、PDB/UniProt 等数据库、专利或公开网页信息，整理靶点功能、相互作用机制、关键界面残基、已报道配体/多肽线索和潜在设计策略。

在此基础上，AI Agent 需要进一步进入真实的多肽 Binder 设计闭环：根据靶点表位和功能机制假设，生成候选 peptide binder 序列或骨架；调用结构预测工具评估候选与靶点的结合构象；结合界面接触、热点残基覆盖、结构置信度、结合位点一致性、能量/几何指标等进行多维打分；对优先候选进行进一步的分子动力学或稳定性模拟验证；最终筛选出一批 in silico 评分优良、机制解释清晰、具备后续实验验证价值的多肽 Binder 候选。

本课题不预先提供靶点相关的数据，而是鼓励 Agent 通过 Deep Research 自主获取和结构化证据。系统应包含多个协作智能体。比如：Planner Agent 负责拆解科研任务；Research Agent 负责信息检索与证据抽取；Structure Agent 负责分析蛋白结构、表位和界面残基；Design Agent 负责候选多肽生成；rediction/Scoring Agent 负责结构预测、计算打分和稳定性验证；Critic Agent 负责检查证据不足、幻觉和设计风险；Reporter Agent 负责生成最终报告。

学员要求

本课题不预设具体专业背景，欢迎所有对 Agentic AI、AI for Science、生命科学研发自动化感兴趣的学生参加。我们更看重学生是否愿意把大语言模型从“聊天工具”推进为“能自主完成复杂科研任务的工作流系统”，以及是否对蛋白质、多肽设计和药物发现抱有好奇心和热情。

希望学生具备以下一种或多种能力或兴趣：

对大语言模型、AI Agent、Deep Research、RAG、工具调用、多智能体协作等方向有浓厚兴趣；
具备一定编程能力，能够使用 Python 或其他语言实现可运行的 Agent 工作流；
愿意学习蛋白质结构、蛋白-蛋白相互作用、多肽/环肽 Binder 设计等生命科学基础知识；
对文献检索、信息抽取、证据结构化和科研推理过程感兴趣；
愿意把算法、工具和界面整合成可演示、可复盘、可解释的系统；
具备开放的科研心态，能够面对真实研发问题中的不确定性、证据冲突和模型幻觉。

本课题不要求学生已有湿实验经验，也不要求提前掌握药物研发或蛋白设计全流程。导师将提供必要的生命科学背景、示例靶点、公开数据源建议、结构分析思路和多肽设计工作流指导。只要学生对 Agentic AI 和生命科学交叉方向有热情，就可以在项目中逐步补齐相关知识。

赛题名称

1.2 面向治疗性多肽的预训练表征学习与应用

赛题标签

🔬 生命科学 / 💊 AI制药

赛题介绍

治疗性多肽和工程化多肽正在成为创新药研发的重要方向，但如何有效表征包含非天然氨基酸、环化修饰和连接子的复杂多肽仍然是一个挑战。目前大多数分子模型主要针对小分子 SMILES 进行训练，对于复杂多肽结构的理解能力有限。在本课题中，我们将尝试利用 SMILES、HELM 等多肽表示方式，构建适用于多肽分子的预训练模型，并在性质预测、活性预测或相似性检索等下游任务中进行验证。通过与传统小分子嵌入方法进行比较，探索更适合治疗性多肽的分子表征方法。

学员要求

计算机、人工智能、数学、生物信息学等相关专业，有良好的编程能力；
熟悉机器学习或深度学习基本方法，具备 PyTorch 等框架使用经验；
对大模型、分子表示学习、药物研发 AI 等方向感兴趣；
有化学信息学、生物信息学或分子生成模型相关经验者优先。

赛题名称

1.3 pH响应型抗体/结合分子的AI设计

赛题标签

🔬 生命科学 / 💊 AI制药

赛题介绍

能在生理pH（7.4）下紧密结合细胞膜受体、却在酸化的内涵体环境（pH 5.5–6.0）中释放靶点的抗体与小型结合分子，是新一代疗法（ADC或者AOC）的核心技术，可实现抗体循环再利用、可溶性抗原清扫以及偶联药物的胞内载荷递送。主流策略是在抗体表面设计组氨酸开关：在结合界面引入组氨酸（pKa约6），使其在内体酸化时质子化，从而破坏相互作用、加速解离，从而脱离抗原，未被降解的抗体被细胞内Fc受体转运到癌细胞外面。

然而当前的AI结构与亲和力预测工具（AlphaFold3、RFdiffusion、ProteinMPNN、BindCraft及各类ΔG预测模型）基本不考虑pH因素，他们更依赖的是蛋白质氨基酸之间的共进化关系和氨基酸在三维空间的分布情况，难以准确刻画界面上和整体的因为pH变化引起的热力学和动力学行为变化。因此,要设计出在pH 7.4与5.5之间具有可靠的≥50倍亲和力差异的开关（即中性pH的时候抗体-抗原亲和力强，pH下降时候抗体-抗原亲和力弱），至今仍依赖缓慢的双pH展示筛选湿实验，而非计算预测。这正是本领域一个亟待突破、且适合聚焦攻关的瓶颈。

项目挑战：成员需完成两个方面的工作，1）收集不同pH环境下抗体-抗原亲和力数据（至少包括抗体序列，抗原序列，pH环境，亲和力数据等）；2）开发、优化、扩展或改造现有AI工具，使结合分子设计具备pH感知能力，准确预测中性到偏酸性条件下的亲和力及其差异。

可选方向包括：

在抗体-抗原复合体结构预测器或者蛋白质生成模型之上构建pH条件依赖的预测或者生成，考虑到不同pH（或者氨基酸质子化状态）带来的结构或者序列差异
收集不同pH下亲和力数据，开发或者优化考虑pH条件下的ΔG预测模型以及pH变化下的亲和力变化预测模型来预测ΔΔG（即不同pH下的结合自由能差异）；
或将物理方法与机器学习融合为混合流程，即基于机器学习考虑pH作为修正项来提升物理模型（如MMPBSA、Rosetta ddG或者Foldx等）对于ΔG或者ΔΔG预测
基于纯粹的物理模型，例如通过恒pH分子动力学模拟结合不同pH设置，实现结合界面动力学和热力学差异的计算建模和预测

学员要求

本课题不预设具体专业背景，欢迎所有本硕博学生参加。

赛题 Mentor

出题方将安排Mentor进行必要指导与答疑

算力需求

由 DeeCamp 训练营统一提供算力支持

出题企业

元思生肽 2022 年 4 月成立，由创新工场孵化，专注 AI 驱动合成肽药物研发。公司搭建了全链条“AI+合成肽”药研平台，赋能药物设计、筛选、合成、表征与优化，已应用于多条 First-in-class 管线。现已完成 B 轮融资，获礼来亚洲、阿斯利康、辉瑞、高瓴、淡马锡、ADIA、腾讯、联想等知名资本支持。2025 年 3 月公司与阿斯利康达成战略合作，共同开发针对慢性疾病的大环肽疗法，总交易额达 34 亿美元。团队氛围开放坦诚、互助协作，诚邀创新人才加入，用AI重塑药物研发未来。

赛题名称

2 基于单细胞表观组数据的自监督生物基础模型

赛题标签

🔬 生命科学 / 🧫 虚拟细胞

赛题介绍

本课题聚焦 scATAC-seq 与单细胞 multiome 等公开单细胞表观组数据，构建数据策展、统一表示、自监督预训练和评估的基础模型原型。学生将搭建 agent-based data curation workflow，自动发现与整理公开数据及元数据，完成 QC 与数据卡生成；随后训练自监督模型，学习细胞和调控区域表征，并在细胞类型注释、跨数据集泛化、聚类/可视化、稀疏信号恢复等任务上进行标准评估。

学员要求

适合计算机/AI、生物信息学、计算生物学、基因组学、统计学等方向学生。希望具备 Python、深度学习/自监督学习、单细胞组学数据分析、LLM Agent 或数据工程经验之一。

赛题 Mentor

出题方将安排Mentor进行必要指导与答疑

算力需求

由 DeeCamp 训练营统一提供算力支持

出题企业

元示科技是一家以通用细胞大模型为核心的新一代 AI 生物大模型研发公司。公司致力于在细胞层面构建可计算、可预测、可干预的生命系统模型，让人类能够在数字空间中理解细胞如何响应发育、疾病、药物、基因扰动与微环境变化。

细胞是生命活动的基本功能单元，也是疾病发生、药物作用和组织功能重塑的核心现场。公司致力于让细胞状态变化不再只是被动观测的结果，而成为可以被模拟、推演和设计的对象。我们期望将通用细胞大模型构建为下一代生命科学和生物医药研发的底层基础设施，推动人类从理解生命走向设计生命、干预疾病和重塑健康。诚邀有志之士加入元示科技，共同构建通用细胞大模型，定义下一代生命科学与药物研发基础设施。

赛题名称

3 面向生命科学科研 Agent 的 Best Practice 对齐与可靠性增强

赛题标签

🔬 生命科学 / 🤖 科学智能

赛题介绍

本课题聚焦生命科学科研场景中的大语言模型 best-practice 对齐与长程 Agent 可靠性。学生将基于主流开源/开放权重大语言模型，围绕公开生物文献、数据库、分析教程和组学/扰动等生物数据，构建证据抽取、指令/偏好/rubric/workflow 数据生成、模型对齐，RAG、tool-use 和报告生成流程。系统最终应能够针对给定生物学问题、候选假设或数据分析任务自动拆解任务、检索证据、选择合适分析路径，并输出符合领域 best practice 的可追溯研究报告。

学员要求

适合计算机/AI、生物信息学、计算生物学、生命科学、医学信息学、统计学等方向学生。希望具备 Python、LLM/RAG/Alignment/Agent、PyTorch/Transformers、信息抽取、知识图谱、文献挖掘或生物数据分析经验之一；重视证据链、可复现性、best practice 和工程实现。

赛题 Mentor