共话AI生物医药新未来｜AIBC2026在上海成功举办！

致辞

张文-上海市生物医药科技产业促进中心党总支书记

在致辞中，张文书记表示，人工智能与生物医药融合已成为全球科技创新的重要方向，大中小企业协同创新的产业生态加速形成。上海始终将人工智能和生物医药作为先导产业重点布局，通过完善政策体系、强化算力与数据基础设施建设、支持AI赋能药物研发全链条等举措，持续优化创新生态。同时，依托上海国际计算生物学创新大赛，推动优秀项目成果转化。期待各方以大会为契机，加强交流合作，汇聚创新资源，共同推动AI赋能生物医药产业高质量发展，促进更多创新成果在上海落地。

AIDD的理性崛起

徐峻-中国科学院合肥物质院健康所生物医药大数据研究中心主任

AI在生物医药领域的应用目前主要专注于早期药物发现阶段，如果继续下去，将成为行业发展的技术瓶颈。本演讲指出：下一阶段的AI应用可以探索药物发现-临床试验全流程的整合，重点解决过度依赖多样性与非理性随机筛选、过度信任基准测试而导致的误差、过度信任AI自动决策而造成的安全漏洞、以及由数据质量而引起的幻觉等问题。为了解决这些问题，建议采用LLM+人工审计流程标注数据、构建知识图谱保证生物医药创新过程的逻辑性和合规性。

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

复旦大学马剑鹏教授在演讲中介绍了团队自研的 OPUS 系列全套算法，其整体性能超越 AlphaFold2/3 与行业主流工具。静态结构预测层面，OPUS-Fold、OPUS-Rota 系列大幅提升侧链建模精度，可精准预测蛋白突变功能变化；冷冻电镜解析领域，OPUS-DSD 登 Nature Methods，攻克蛋白构象异质性难题，普林斯顿评测全球领先，衍生 OPUS-TOMO 适配冷冻电镜断层成像。动态模拟方面，原创 PCST-SBM 增强采样算法，精度超越专用模拟计算机 Anton，能修正 AlphaFold 预测结构缺陷，高效跨越能量壁垒，适配冷冻电镜结构优化、难靶点结构精修，以算法优势弥补算力短板，为大分子药物设计提供高精度蛋白结构支撑。

AIBC Awards 2026｜AI 制药企业年度榜单颁奖仪式

在AIBC2026大会现场，AIBC Awards 2026｜AI制药企业年度榜单颁奖仪式圆满举行，年度获奖企业正式揭晓。

AIBC Awards 2026｜AI制药企业年度榜单颁奖仪式

行业引领奖颁奖现场

创新突破奖颁奖现场

从技术突破到临床验证：AI智药的下半场

任峰-英矽智能联合首席执行官兼首席科学官

英矽智能联合首席执行官兼首席科学官任峰博士在活动现场介绍了英矽智能近年来在AI制药领域的系统布局与阶段性成果。他表示，公司已持续打通从靶点发现、分子生成到实验验证和临床推进的端到端研发闭环，正推动AI制药从技术探索加快迈向产业落地。任峰博士指出，作为代表性成果，英矽智能自研核心管线Rentosertib已推进至Ⅱ期临床，相关研究发表于《Nature Medicine》，进一步验证了AI驱动新药研发的科学价值与产业潜力。他还指出，当前AI制药产业正由“工具赋能”迈向“平台驱动”与“成果兑现”的新阶段。任峰博士期待，未来英矽智能将继续以AI与数据驱动创新，强化平台能力与产业协同，持续重塑全球药物研发新格局。

《2026上海国际计算生物学创新大赛》赛题赛制介绍

卞月珉-上海大学教授

卞月珉教授介绍了2026上海国际计算生物学创新大赛的赛题设计与赛制安排。大赛聚焦真实药物研发需求，设置HSV Pol抗耐药抑制剂和PVRIG阻断抗体两大赛道，分别面向小分子药物设计和抗体药物研发，推动计算生物学方法与湿实验验证深度融合。赛事建立统一数据资源、统一提交规范、统一实验验证和统一评价体系，通过前瞻性实验验证检验算法在真实研发场景中的应用价值，形成“AI设计—实验验证—反馈迭代”的闭环机制。大赛旨在搭建面向真实研发决策的计算生物学创新平台，以公开、公平、可复核的评价体系促进算法创新、实验验证与产业转化协同发展，为AI驱动创新药研发提供高质量实践平台。

AI医药数智化战略发展与应用价值创造

邱婧君-复星医药AI科创专委会执行主任/全球研发中心副总裁

邱婧君博士表示，在医药研发这个强监管、周期长、投入大、成功概率低、专业壁垒高的复杂领域，不仅是个人的提效，更需要“串珠成链”，跨越原有的组织部门墙，让AI嵌入主要的工作流程，减少传统流程中的一些可被数智优化的节点或仅需有经验的专业人员快速确认，以快速获得更完善的证据链，产出更好的分子管线，提高整体的研发效率和生产力。并分享了复星医药的AI战略，构建了集团级PharmAID医药数智体系，形成四大板块：“PharmaSight 医药决策管理平台 + Astrolabe 早研星图计划 + MedAlkaid 临床科研智能平台 + AquaVista 数据湖仓一体化平台”。进一步强调了“数据基座的治理”、“碳硅分工与协作”、“跨领域钉耙型人才培养”的重要性，让AI和新的技术能够成为新药研发的利器，指数级提升医药健康领域的第二生长曲线。

从结构预测到可编程生物工程：AI蛋白技术的第二次范式跃升

许锦波-分子之心创始人

许锦波表示：AI生物研发正从“工具时代”迈向“操作系统时代”。针对AI制药领域单点工具堆叠、强依赖人工调度和经验的低效痛点，分子之心推出AI原生生物研发操作系统MoleculeOS，以NewOrigin为基座，集成分子之心自研的MMFold、MMDesign等模型和平台，使AI能够准确解析研发目标、自动拆解任务、统一调度流程并沉淀研发链路。传统的“筛选试错”式的分子发现，规模化跨入更具确定性的“分子创造”时代；AI的角色也从生物规律的"预测者"，成为研发流程的"组织者"。

全自动药物靶点结构解析助力药物理性设计

申怀宗-深圳医学科学院生物构造与互作研究所副所长

冷冻电子显微术（Cryo-EM）已成为解析生物大分子高分辨率结构的尖端技术，但其广泛应用受限于对专业知识的严苛要求。我们基于无监督学习策略，通过对约1.34亿张冷冻电镜颗粒图像的大规模数据集进行预训练，开发出冷冻电镜图像评估基础模型（Cryo-IEF）。该模型在多项冷冻电镜数据处理任务中表现卓越，包括对于不同结构颗粒分类、颗粒姿态聚类及图像质量评估等。经微调后，该模型能更加准确高效地实现颗粒图像质量评判，并基于该能力构建出全自动化单颗粒冷冻电镜数据处理流程CryoWizard。该流程不仅成功解析了多种特性样本的高分辨率结构，更在解决冷冻电镜样本普遍存在的优势取向难题上展现出独特优势。Cryo-IEF模型与CryoWizard流程的协同创新，标志着冷冻电镜技术向更易用、更高效、更稳健方向迈出重要一步，对于生命学科各领域研究具有促进意义。

AIDD - 从工具到智能体与自动化，从可及到可靠与创新

韩涟漪-恒瑞医药 AIDD 负责人

恒瑞医药AIDD负责人韩涟漪博士系统阐述了一个AI驱动药物发现的“三层架构”。面对芯片“摩尔定律”与药物研发“反摩尔定律”之间的日益扩大的鸿沟，他指出，在基因组学、结构生物学等数十年数据积累的基础上，AI正沿着三个层面深入渗透：

第一层是AI工具层，借助多组学分析、知识图谱、生成式设计，以及成百上千的功能模块，持续拓展研发效率边界，显著缩短迭代周期；

第二层是自动化层，通过自主智能体与多智能体系统（MAS）协同组织研发流程，让研究者将精力更多集中在目标设定与结果验证上；

第三层是可控化层，通过回溯验证、对照实验和专家审查，为AI输出建立可信度标准，使决策从“依赖直觉”转向“量化评估”。

这三层彼此支撑，失败反馈在层间闭环流转，共同构建一个具备自进化能力的AIDD研发体系。

此外，韩博士在强调数据FAIR原则（及其在软件、机器学习模型等方向的扩展）之外，还将FAIR理念延伸至AIDD智能体层面，提出一套面向智能体的评价维度，即可行性（Feasible）、可及性（Accessible）、可靠性（Reliable）与创新性（Innovative）。

AI浪潮下自主智能体赋能生命科学药物研发新变革

张琰-镁伽科技联合创始人

在本次大会上，镁伽的重磅演讲引发了现场的强烈共鸣。演讲中首次抛出了极具前瞻性的 ARO（AI Research Organization）理念，深刻探讨了药物研发底层逻辑的颠覆性变革。

过去，传统新药研发往往受限于 CRO 模式下对“科学家数量”的物理堆砌；而 ARO 理念则另辟蹊径，将研发的核心驱动力彻底转化为“算力与数据飞轮”。依托高通量的快速试错、多轮自动化实验与数据的高效迭代，新模式正以前所未有的速度催生科学发现。

演讲还深度复盘了“镁伽抗体研发大设施”这一前沿标杆案例，生动诠释了 AI 计算（干实验）与自动化平台（湿实验）无缝融合的干湿实验闭环。这种快速迭代的创新范式，正切实打破传统研发的效率瓶颈，助力行业以更优、更快的节奏迈向生命科学的新未来！

AI在临床试验和真实世界研究中的应用

李栋-清华大学长庚医院医学数据科学中心主任

AI正成为破解制药研发生产力危机与传统随机对照试验(RCT)局限的关键驱动力。面对电子健康记录、影像、组学与可穿戴设备产生的高通量非结构化数据，以及RCT样本有限、代表性差、成本高昂的困境，AI通过大语言模型实现深度表型分析与智能队列构建，利用相应算法处理纵向缺失数据，并构建外部对照臂与偏倚预警系统，显著提升研究设计效率与科学性。在证据生成层面，AI推动目标试验仿真合成对照与数字孪生技术，将观察性数据转化为接近因果的高等级证据，同时结合大模型模型优化预后预测与安全信号挖掘。联邦学习、加密数据编织与多模态融合则破解了跨机构数据孤岛与隐私合规难题。然而，偏倚放大、公平性、可解释性及监管框架仍是落地挑战。未来需发展因果AI自动化设计助手、在线持续证据更新与公平可解释约束下的因果模型，推动第五科研范式转型，实现更高效、包容且可信的真实世界证据生成。

Towards building a Virtual Cell World Model by AlphaCell

刘琦-同济大学生命科学与技术学院教授

本报告围绕“AI for Science”背景下数字生命系统的构建展开。团队开发了两个代表性系统：其一是基于语言驱动的组学多模态统一表征模型，实现基因与细胞层级的embedding、推理及功能可解释预测；其二是基于“世界模型”理念的虚拟细胞动力学框架，通过构建可重构且具泛化能力的隐空间流形，实现对细胞扰动响应的模拟与预测。整体而言，本研究为以细胞为切入点的数字孪生系统构建提供了统一方法学路径，并在药物研发与精准医疗中展现出重要应用潜力。

基于虚拟生命AI的可编程RNA设计

袁野-数因智科创始人/中科院生物药制备与递送全国重点实验室副主任

核心主题--数因智科致力于基于虚拟生命AI的可编程RNA设计，通过自研AI大模型与纳微高通量实验平台相结合，实现RNA分子的高效设计与迭代优化。

技术优势--公司构建了跨尺度跨表型AI基准模型，覆盖分子—器官—人体虚拟生命全链条。其AI模型在国际对比中（与Genefomer、scBERT、scGPT等）展现出更高准确度和更低内存占用，尤其在小数据场景下表现优异。在RNA修饰预测、剪切位点预测等任务中均取得领先性能。

递送系统突破--公司自研肝靶向、肺部靶向及国际首创的皮肤递送系统，解决了小核酸分子体内递送的关键难题。皮肤涂抹递送可穿透角质屏障实现精准运输。

临床应用成果--在多个难治性疾病上取得显著疗效：肺纤维化患者肺功能V型逆转、银屑病涂抹治疗效果优于1%本维莫德（症状缓解提升2倍）、黄褐斑疗效与氢醌相当且副作用更低。

商业进展--已与20余家药企医院合作，获得数千万商业化订单，完成多个消费级RNA分子人体功效验证，获19项专利、33项软著及多项国家级荣誉。

战略定位--率先切入万亿级皮肤适应症市场，以siRNA实现对传统小分子/多肽的“降维打击”，打造国内首款可大规模商业化的消费级RNA分子。公司围绕消费级产品、医美产品、药品管线进行布局。

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-上海大学教授

人工智能正在推动创新药研发由经验驱动向机制驱动转变。我们认为：AI制药不仅是利用机器学习筛选分子，更重要的是学科交叉、干湿结合，系统解析疾病相关蛋白的结构功能关系、动态构象变化及药物作用机制，为创新靶标确证提供理论基础。在此基础上，进一步融合监督式机器学习、超大规模虚拟筛选和生成式人工智能等技术，实现从靶标发现、机制解析到苗头分子设计与优化的全流程智能化，加速原创药物研发，为解决重大疾病治疗需求提供新的技术路径。

分子互作的动力学过程设计：AIDD的下一站

竺立哲-香港中文大学(深圳)副教授，睿陉生科创始人/CTO

决定生物分子功能的相互作用是天然的动态过程，但为解析过程机制而生的物理模拟长年受制于极低的计算速度及维数灾难，始终无法成为分子设计的主角。历经多年算法创新，睿陉团队已可在几天至几周内预演复杂分子互作过程，准确获得决定过程速率的过渡态结构，并依据机制信息以极高成功率完成分子设计。这一动力学机制数据生产效率的突破势必重塑AIDD的数据底层，将AIDD从“静态筛选”升级为“动态过程设计”，为陷入数据困境的小分子设计注入强大新动力。

攻克难成药靶点-AI重塑变构药物研发

沈倩诚-宇道生物CEO

AIDD在难成药靶点具有广大的发展前景，在小分子领域，基于物理计算和生成式AI驱动的药物发现将在未来5-10年迎来重大突破。但是，AIDD要交付的是药物，除了算法本身的突破和在各类数据集上的指标刷新，AIDD最终的验证将是在难成药靶点上交付改变标准治疗格局的全球临床数据。

从“工具堆叠”到“自主决策”，智能体赋能药物研发实践

郑宜-望石智慧药化总监

在AI驱动生命科学加速演进的当下，全球药物研发正迎来一场深刻的范式变革—从早期的“单点工具辅助”迈向智能化、系统化的“全流程重构”。能够自我演进、辅助人类科学家进行高维决策的智能系统将会成为未来新药研发的关键力量之一，助力破局药物研发过程中的难点与热点。望石智慧将持续推进智能体在新药研发中的应用，拓展分子的已知边界，为患者带来更多高效、高质的创新药。

通晓化学语言，助力药物分子的设计和优化

焦阳-达索系统生命科学行业技术方案专家

生成式AI，尤其是基于大语言模型这一技术框架的AI应用在过去若干年取得了重大进展，为行业带来方法学的改进和效率的提升。但其在生物医药领域的应用仍有一定的局限性，具体体现在研究者所关注的化合物结构、相互作用等信息很难被传统语言模型正确解析，这主要是因为此类模型专门为自然语言理解所设计，而化学语言具有其特殊性。正如大脑以不同的细胞形态和激励机制来实现不同功能，调整模型的形态和训练目标是抓取这些化学信息的关键。达索系统生命科学行业技术方案专家焦阳的报告详细介绍了这些新兴技术的原理及其在分子设计中的应用。此外，介绍了这些技术如何整合在达索系统的解决方案流程中，以助力早期研发和配方工艺优化相关工作。

FROGENT：端到端全流程药物设计智能体

吉君恺-深圳大学副教授

本次会议主要介绍了三个方面的工作：Trio family 构建全模态药物分子生成架构，可根据靶点生成小分子、多肽及 RNA/DNA 适配体药物；Rosin Skill 基于大模型完成指定分子的逆合成路径规划，输出合成路线与实验方案；Frogent 覆盖靶点发现、分子设计到先导优化，实现药物研发流程的多智能体自动化，加速候选药物发现与迭代优化。

AIDD加速高价值小分子创新药研发

宋云龙-云济智曜创始人/CEO

云济智曜创始人、CEO 宋云龙博士于 AIBC 大会上向业内同行分享了《AIDD 加速高价值小分子创新药研发》的报告。他提出，AIDD 价值已超越降本增效，在传统难成药靶点突破上具备颠覆性潜力，最近行业的代表性工作是字节AIDD团队报道的全谱 IL-17 口服小分子抑制剂研发成果。他也结合其主导开发的 NK3R 临床在研新药 Gensci074 为例：针对无解析结构的 GPCR 靶点，团队依托多种计算方法构建靶点的三维模型，最终成功设计合成了PCC 分子 GS1-144；该品种在临床 II 期临床显示不仅克服了原研ESN364的肝毒性风险，而且疗效与给药灵活性更优，现已推进国际多中心 III 期。宋云龙博士指出行业应摒弃片面追求 AI 预测精度的思维，以落地价值为导向，采用 “AI 计算 + 湿实验” 双轮迭代研发范式。他们依托过去多个高价值小分子项目如 ROCK2、NK3R、Lp (a) 等项目的研发积淀，云济智曜整合内外部资源，搭建了全链路自研 AIDD 平台，贯通靶点评估、动态蛋白建模、分子生成、ADMET 预测全流程。云济智曜团队最近仅用 5 周即完成了一个高价值自免靶点的分子设计、合成与初筛，有效解决了现有临床在研分子存在的成药性短板。基于此平台，目前已经在持续输出多条 FIC/BIC 差异化小分子管线，现已有有多个项目接近PCC阶段。最近有多家跨国药企和海外基金在征询合作意向。

AI-Enabled Hit Identification and Characterization

王元-Head of Research Analytics, UCB（优时比）

人工智能在药物研发的每个环节都可以发挥重要的作用，包括对分子结构与序列的模拟，也包括对各种生物学实验的量化。在本专题演讲中，王元老师用具体的实验数据分析案例解释了如何利用计算方法和机器学习模型来量化湿实验结果，减少实验误差的同时提高实验效率。从微观的分子结合机制实验，到细胞形态比较实验，到宏观的动物行为模型，人工智能都可以成为人类科学家的帮手。在未来，我们更要加大从数据基础到企业文化上的投入，让干湿实验的联系更加紧密，应用人工智能更好地帮我们解决药物研发中遇到的问题，造福人类健康。

AI和物理深度融合的新药发现软件平台DrugFlow的开发

侯廷军-浙江大学教授、碳硅智慧创始人/首席科学家

在AIBC2026大会上，浙江大学教授、碳硅智慧创始人兼首席科学家侯廷军围绕“AI赋能新药发现”发表演讲，系统阐述了人工智能在新药研发多目标优化中的关键作用。侯教授介绍，团队长期聚焦配体-靶标相互作用预测、AI分子生成、分子对接、成药性与毒性预测等核心科学问题，并将自主算法体系产品化，形成覆盖早期药物发现全流程的DrugFlow平台。最新DrugFlow 3.0在交互体验、共价对接、金属蛋白对接、亿级虚拟筛选、结构生成和ADMET预测等方面全面升级，已服务恒瑞医药、罗氏上海创新研发中心、信立泰、南京正大天晴、齐鲁制药等药企。碳硅智慧还发布BioFlow大分子设计平台、FEP自由能预测模块及SciGPT信息模块，持续推动AI新药发现从算法创新走向产业应用。

CMC全链条研发的人工智能垂直大模型

金传飞-东阳光药副总经理

针对国内药物CMC研发依赖经验试错、数据孤岛、效率低下痛点，依托东阳光二十余年工业研发积累，搭建覆盖合成、晶型、制剂全场景的千万级标准化CMC数据集。自研HEC-SynAI、HEC-CryAI、HEC-PharmAI三大垂直大模型，打造CMC全链路智能研发体系。模型性能行业领先：五步内合成路线预测准确率81%，晶型分析效率提升300倍，共晶配体筛选准确率超90%，制剂专业问答准确率88%。平台可大幅减少实验试错、压缩研发周期，推动 CMC 研发由传统经验驱动转向数据智能驱动。

面向 AI4Science 的高性能数据平台：

Alluxio 助力 AI 制药海量小文件加速与存储降本

傅正佳-Alluxio首席架构师

Alluxio首席架构师傅正佳指出 ，在AI制药“AI+湿实验+化合物库+药物管线”全链路中 ，预处理、模型训练等多阶段常面临海量小文件随机读写性能差 、极易遭遇I/O瓶颈的痛点 。传统架构往往依赖高成本NAS维持性能 ，导致整体存储链路冗余、运维和开发成本高昂 。为此，通过将“Alluxio+对象存储”高效融合 ，创新复用计算节点闲置的本地高性能SSD ，能强力打破海量小文件的吞吐限制 。该架构全面解绑传统NAS ，能完美适配全流程的高并发数据访问 ，在实现极致利旧降本的同时 ，切实重塑AI制药的数据底座 。

人工智能驱动下的药物研发转型

张晓华-华东医药创新药中心智能计算技术执行总监

AI在华东医药创新转型初期即深度参与临床前研发，推动药物研发由经验驱动转向“数据—模型—设计—实验—反馈”的闭环体系。AIDD平台覆盖小分子、多肽、大分子和ADC等场景，整合分子生成、结构预测、大语言模型等方法，赋能分子设计、成药性优化和实验决策。HPK1案例显示，AIDD可将结构假设转化为可排序、可验证的设计方案，缩小探索空间，提升活性、选择性和体内药效的综合平衡。未来企业竞争力将来自内部真实数据沉淀、自主平台化能力和干湿实验闭环迭代。

Towards Autonomous Biomedical Discovery: 

Foundation Models, Agents, and Safeguards

张载熙-香港科技大学助理教授

人工智能正推动生命科学从辅助分析迈向自主发现。下一阶段的关键，不只是训练更大的生物基础模型，而是构建能够理解复杂生物系统、按治疗目标进行可控设计，并通过智能体自主调用工具、提出假设和迭代实验的完整闭环。RNAGenesis与STELLA展示了AI在RNA药物设计、靶点发现和实验验证中的潜力；FoldMark则为生成式蛋白模型引入可追溯水印与安全保障。能力与治理协同发展，才能形成可信、可落地的科学智能，重塑生物医药研发范式。

人工智能蛋白质药物设计平台及镇痛药物研发

陈海峰-上海交通大学教授/智药元创联合创始人

功能蛋白质设计是一类设计满足特定功能需求的蛋白质。但是当前的蛋白质设计方法还存在设计序列多样性低及准确性差的局限。为了弥补这些缺陷，我们开发了发展了基于Graphormer的全新蛋白质序列设计（GPD）、骨架设计方法（GPDL）以及蛋白质单体及复合物的动态结构预测方法（IDPFold2）。和当前主流的蛋白质序列生成方法proteinMPNN及骨架生成方法RFdiffusion相比，我们的算法具有更高的序列及骨架多样性。IDPFold2也突破了AlphaFold静态结构预测，首次实现了蛋白质复合物动态结构人工智能预测。在此基础上，构建了全流程的人工智能蛋白质药物从头设计平台TransProtein。利用该平台设计了双靶标镇痛药物，其镇痛药效显著优于吗啡，而且没有成瘾性。

ViSNet-PIMA：基于长程作用精确建模的生物动态结构计算与模拟

王童-清华大学生命学院特别研究员

AI驱动的动态结构模拟是后AlphaFold时代最为关键的科学问题和技术挑战之一。其难点在于深度学习力场等蛋白质等生物大分子长程非局域相互作用的精准建模。ViSNet-PIMA 对长程的极化静电等相互作用首次实现精确建模，AI2BMD-PIMA 首次实现生物全分子的量子精度计算和模拟，与 AI2BMD 相比，准确率又提升 100%，可用于对靶点-药物的精准设计、优化和改造。

FiveFold构象全信息预测蛋白结构

杨家安-Micro BioTech, CSO

FiveFold方法基于团队创建的五个氨基酸全部排列的完整构象变化指纹数据库预测蛋白结构，获得多重构象集合的蛋白三维结构，反映真实蛋白可能的多重构象和揭示无序蛋白的构象模式，突破AlphaFold方法预测蛋白结构的局限。此外，该方法真正地实现了蛋白构象数字化，揭示了蛋白构象全信息，将蛋白序列与构象信息统一整合，并能够严格区分同源蛋白的构象与三维结构。其数学模型具有明确的生物学原理和概念。该方法可以解析突变分析，设计和优化蛋白/多肽/抗体。FiveFold方法为结构生物学和生物药物研发提供了一个新工具。

Applying GNN deep learning methods to improve 

structure-based protein-protein interaction prediction

慕宇光-新加坡南洋理工大学副教授

新加坡南洋理工大学慕宇光教授介绍了基于图神经网络（GNN）和蛋白质语言模型的蛋白质-蛋白质相互作用（PPI）结合亲和力预测方法。针对PPI领域高质量结构数据不足、定量预测模型有限等挑战，团队构建了目前规模较大的蛋白质相互作用数据集，并融合蛋白质序列信息、三维结构信息及图表示学习技术，建立面向PPI结合亲和力预测的新框架。该方法有望提升蛋白复合物相互作用定量预测的准确性，为蛋白设计、抗体优化、蛋白药物研发及AI驱动结构生物学研究提供更加可靠的计算工具，加速蛋白药物发现与设计。

基于蛋白词表的虚拟筛选方法

田博学-清华大学药学院特聘研究员

本报告核心观点如下：1）“为什么研究规则？”当前深度学习模型无法外推（分子量预测问题），清华大学田博学团队利用Molruleloss将子结构替换规则注入模型，发现这个简单方法能让原有模型外推，且减少了模型对数据的依赖。团队进一步从数学上证明了子结构替换规则的质量决定了模型的预测误差（误差边界定理，X.Fan...B. Tian* Chemical Science 2026）。

2）“怎么大规模提取蛋白规则？”基于这个定理，田博学团队认识到大规则+高质量规则可能是提升模型表现的一个新维度。但与小分子不同，蛋白没有现成的“官能团”概念，因此团队发展了蛋白词表技术来大规模无监督定义蛋白单词，再映射到功能，且该方法比人工定义规则有优势(H. Chen...B.Tian* Advanced Science 2026)。

3）“如何在药物虚拟筛选中使用规则？”基于蛋白词表，田博学团队定义了蛋白单词-小分子片段的互补配对规则（Word-fragment rules），发现仅使用规则就能达到GlideSP相当的富集效率（EF），且与Glide联合使用后能进一步提升EF。这些结果证明了基于蛋白词表的规则集可以作为基础模块供各类模型使用（包括智能体）。（J.Chen... B.Tian* Chemical Science, in revision）

AI科学家赋能原创靶标发现与验证

郑双佳-上海交通大学/临港实验室研究员

本报告围绕原创靶点发现这一创新药研发瓶颈，回顾自我进化多智能体系统元生（OriGene）的构建与应用。元生作为“AI疾病生物学家”，可整合遗传、网络、药理、临床与文献证据，结合人类和实验反馈持续优化分析流程，实现规模化、机制驱动的靶点发现。其自主提出的肝癌靶点 GPR160 和结直肠癌靶点 ARG2 已在类器官与肿瘤组织片段模型中获得初步验证。报告还讨论 AI 科学家与虚拟细胞的关系及相关前期探索。

蛋白质复合物冷冻电镜结构组装建模

周晓根-浙江工业大学教授

报告围绕蛋白质复合物冷冻电镜结构组装建模展开，首先阐述了单颗粒冷冻电镜密度图三维重构、构象异质性解析及低分辨率条件下结构建模面临的关键挑战；随后介绍了团队在基于神经场和混合注意力机制的密度图重构与增强方面的研究进展；重点介绍了综合利用结构预测、模型-密度图拟合、结构域级装配、迭代优化和深度学习配准等技术手段，实现蛋白质复合物自动化、高精度原子结构组装建模的相关工作。

基于功能数据的蛋白质AI设计

王承志-智源深澜创始人兼CEO

智源深澜围绕“功能数据”推进蛋白质AI设计的技术路线。针对蛋白质工程中功能认知不足、实验劳动密集、预测验证脱节等问题，团队提出连续定向进化（CDE）闭环体系，将序列设计、表达筛选、功能测量和模型训练连接起来。通过自动化平台与大规模连续进化实验，获取高精度序列-功能数据，训练蛋白语言模型和生成模型，用于提升酶活性、选择性改造及多肽设计效率。

The Full Stack of Scientific AI

孙思琦-复旦大学青年研究员

人工智能正在重塑生命科学的研究范式。复旦大学青年研究员孙思琦在报告中介绍了课题组在 AI for Life Science 方向上的系统性工作：从蛋白质组学出发，展开到生物分子结构预测的基础模型研究，包括通用结构预测、单序列折叠及全原子生成式建模等前沿方向；进而介绍这些基础模型在蛋白质-小分子相互作用、蛋白质-蛋白质相互作用预测等真实生物学问题中的应用，并分享面向 AI 病毒学的最新进展，包括病毒宿主预测、广谱靶点发现与治疗型病毒设计等方向上的探索。

Membrane Protein Solubility Design as Novel Therapeutics

庆睿-上海交通大学长聘教轨副教授

本报告围绕膜蛋白水溶化设计及其药物转化展开，提出以QTY编码为核心，通过理性替换跨膜疏水氨基酸，在保持天然结构和配体识别能力的同时，将膜蛋白转化为可溶性蛋白。进一步结合PRO-LDM扩散模型，实现水溶性膜蛋白的AI智能设计与优化，构建高效的膜蛋白工程平台。在此基础上，发展可溶性诱饵受体（Decoy Receptor）新型治疗策略，成功应用于肿瘤转移、免疫炎症及代谢疾病等模型，并进一步拓展至嗅觉受体、纳米药物等方向，推动膜蛋白由传统药物靶点向可工程化生物药物的转变，为膜蛋白药物开发提供新的技术路线与转化平台。

冷冻电镜与AI在制药研发中的应用

孔佑心-赛诺菲研发部资深科学家

冷冻电镜（Cryo-EM）与人工智能（AI）的结合正加速膜蛋白药物研发。Cryo-EM能够在接近天然状态下解析GPCR、离子通道和转运体等膜蛋白的高分辨率三维结构，揭示配体结合模式和构象变化；AI则利用结构预测、构象建模、分子生成与虚拟筛选等技术，提升靶点解析、先导化合物发现和优化效率。二者形成“结构解析—模型构建—分子设计—实验验证”的闭环，加速膜蛋白靶向药物、抗体及多肽药物研发，缩短研发周期，提高成功率，为精准制药和创新疗法提供重要支撑。

数辉蛋白质设计平台与靶向多肽的抗体设计

马步勇-上海交通大学教授

蛋白质和复合物的动态构象预测与调控是蛋白质和抗体设计的重要功能指标和手段。以此为核心，数辉蛋白质设计平台包含指定表位的蛋白质和抗体的结构与序列共设计和系列功能模块，但是靶点蛋白都是折叠完整的区域。对于构象多变的多肽靶点，基于构象选择的机制，新研发的流匹配蛋白质和抗体生成模型可以靶向任意构象的多肽片段、小分子和多糖等半抗原。结构与序列共设计显著提升了运算速度、序列恢复率和结构精度。

抗体从头生成与可开发性一键评估

葛虎-唯信计算创始人/CEO

唯信计算CEO葛虎博士展示了抗体生成与可开发性领域的创新突破。其 WeMol智能药物设计平台 集成大量前沿模型，通过 Agent 与工作流编排兼顾灵活性与确定性。在此基础上，自研全原子抗体从头生成模型 ParaDex 通过靶点感知的全原子高通量采样，展现出优异的成功率与亲和力。同时，平台集成涵盖唯信特色免疫原性模型WeADApt的一站式可开发性评价流程，构筑起从智能生成到一键评估的数字化闭环，加速抗体药物发现与开发。

AI智能体平台驱动的抗体药物研发新范式

王天元-科迈生物CEO

AI抗体从头设计的核心瓶颈，表面看是模型能力，深层其实是数据范式。传统结构设计高度依赖稀缺的抗原—抗体复合物结构数据，天然受限。

科迈生物选择以大量内部积累的私有序列为入口，将三维识别问题转化为抗原表位 patch 与抗体序列之间的可学习关系，建立表位特异抗体设计的数据闭环。

同时基于大语言模型和智能体能力，打造一个智能体平台 www.clickmab.com，让生物学家变成 AI 抗体设计专家。

科迈生物正在推动抗体研发从随机筛选，走向序列可设计、表位可控制、功能可进化、流程可自动化的新阶段。

生成式AI与高通量数据闭环：多功能抗体设计新范式

陆威-寻明生科人工智能副总裁

寻明生科人工智能副总裁陆威博士的演讲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。

From AI Tool to Biotech Operating System

朱忠远-映恩生物创始人/CEO

映恩生物创始人、董事会主席兼CEO朱忠远博士在分享中指出，AI正在推动生物医药产业进入新的系统化创新阶段。人工智能正从服务单一研发环节的专业工具，演进为支撑药物发现、转化医学、临床开发、监管决策和企业运营的基础设施，推动创新药研发全流程智能化升级。但他强调，AI不能替代生物学规律和临床验证，其真正价值在于与高质量专有数据、原创生物学洞察、严格实验验证、转化医学能力和高效组织协同深度融合。未来，生物医药企业的核心竞争力，不仅在于应用AI技术，更在于能否构建以AI为底座、连接科学创新、临床证据和全球执行的新一代研发体系，加速创新药从实验室走向全球患者。

Twist 合成DNA制品赋能AI药物开发

言野-Twist Bioscience中国区技术支持负责人

Twist bioscience从市场需求出发，基于自身强大且高效的DNA合成平台，提供从精准寡核苷酸池、多基因片段库到突变文库及快速抗体表达等全链条合成生物学产品，性能卓越，价格亲民，交付周期快。其合成的多基因片段库、基因池和多样性文库（如SOLD、CVL）与AI算法深度结合，已在CRISPR酶筛选、肿瘤新抗原发现、蛋白折叠预测及抗体亲和力优化等前沿领域取得突破性成果，成功实现了“设计-构建-测试-学习”（DBTL）闭环流程的并行化与高通量化，显著加速了生物医药研发进程。Twist正成为连接AI设计与实体生物验证的关键使能平台。

AI 驱动的个性化 mRNA 肿瘤疫苗：从新抗原到递送

李晓林-中国科学院杭州医学研究所人工智能首席科学家

该演讲展示了AI驱动的个性化肿瘤疫苗设计端到端全流程平台 AtomicVax。个性化肿瘤 mRNA 疫苗已从概念验证走向 III 期获益（mRNA-4157 使复发或死亡风险下降 44%）。然而现有流水线靠堆叠开源异构工具，普遍存在误差累积、接口失配与信息瓶颈三大痛点。为此提出 AtomicVax OS——原子级别端到端疫苗操作系统：以基础大模型、等变网络、流匹配、SSM 等可微内核为底座，统一突变发现、蛋白组学、pMHC/TCR 识别、多价 mRNA 全长设计与 LNP 递送等六大模块，共享底层表征、可联合优化、湿实验可回流。各模块全面超越 SOTA，并在 CT26、Panc02 等模型完成动物验证，把个性化疫苗交付周期从数月压缩到 2–4 周，进而迈向"泛核酸 + 智能体"新范式。并展示了智能体驱动的干湿闭环数智孪生平台及物理实验验证的三重递归闭环。

功能核酸从头设计

韩达-中科院杭州医学研究所研究员

中国科学院杭州医学研究所研究员韩达围绕功能核酸“从头设计”研究分享了最新进展。他指出，传统核酸适体筛选方法存在周期长、成本高、成功率低等局限，而AI有望推动功能核酸研发从筛选优化迈向智能设计。团队提出以生成式功能核酸大语言模型、结构预测模型和AI智能体为核心的功能核酸从头设计技术路线，逐步实现由序列驱动、结构驱动到功能需求驱动的设计范式演进，并构建面向蛋白靶标的核酸适体生成模型，推动功能核酸药物设计向更加高效、精准、智能的方向发展，为下一代核酸药物研发提供新的技术路径。

人工智能驱动的新生抗原个体化肿瘤治疗性疫苗的开发

张弛-上海生物制品研究所第三研究室副主任

上海生物制品研究所个性化肿瘤治疗mRNA项目面向肿瘤免疫治疗响应率低、冷肿瘤缺乏有效靶点等临床痛点，提出基于AI的新生抗原产生新机制与个体化mRNA治疗性疫苗开发路线。通过多组学数据整合、深度学习预测和mRNA-LNP制备，实现更精准的新生抗原筛选与快速转化，并与PD-1等免疫治疗形成协同，有望扩大获益患者人群，推动我国肿瘤个体化免疫治疗实现自主创新和临床应用突破。

AI驱动的体内基因编辑药物发现平台

林俊良-贝塔基因共同创始人兼首席运营官

面对体内基因编辑由单一工具竞争迈向系统整合的范式转移，贝塔基因以AccuBase®高保真碱基编辑系统为核心，融合AI驱动的智能递送平台，构建“编辑器—LNP递送—数据闭环”的全链条解决方案。平台通过生成式AI构建高质量脂质分子库，利用机器学习预测分子理化性质、体内外活性及毒性风险，并结合贝叶斯优化实现LNP配方的高效迭代，显著降低传统开发中的试错成本。基于这一闭环，贝塔基因开发出具备优异肝脏递送效率和特异性的HepaNav™递送系统，推动一次性基因编辑疗法从技术验证走向临床转化。

人工智能驱动的RNA精准治疗

褚晏伊-中国科学院分子细胞科学卓越创新中心研究员

RNA精准治疗的未来，不仅取决于递送体系突破，更取决于RNA序列本身能否被精准设计。AI为RNA功能分子的理性设计提供了新范式：通过学习大规模序列—功能关系，结合生成式模型与高通量实验验证，可对5′UTR、3′UTR、IRES、CDS等关键元件进行多目标优化，提升表达效率、稳定性、组织选择性并降低免疫风险。面向mRNA疫苗、环状RNA和个性化免疫治疗，AI将成为推动RNA药物从“可用”走向“更优、更准、更可控”的核心引擎。

全球尺度跨物种传染病AI模拟与疫苗设计智能体平台

朱莺嘤-中国科学院广州生物医药与健康研究院教授

本报告围绕蛋白质分子表面指纹驱动的de novo binder设计问题，提出并构建了BindSeed平台，旨在解决当前缺乏可复用结构种子库、标准化表面表征流程以及跨物种泛化能力不足等关键瓶颈。

BindSeed系统性整合来自多蛋白家族与跨物种的保守表面几何与化学指纹，建立大规模可检索、可复用并经过实验验证的“binding seed”资源库，实现从序列同源性驱动向结构表面相似性驱动的设计范式转变。

在此基础上，平台提供统一的表面特征提取、相似性检索、结合位点优先级评估以及与结构支架兼容性分析的端到端流程，并通过系统benchmark与干湿实验闭环验证其有效性。

结果表明，BindSeed能够稳定识别跨物种保守的功能性表面模式，并在特定结构类别中显著提升binder设计的可行性与成功率，同时与RFdiffusion等生成式方法形成互补。

总体而言，本工作证明了蛋白质表面指纹作为可迁移结构先验在分子识别与蛋白设计中的核心价值，并为构建可扩展的AI驱动蛋白设计平台提供了新的数据与方法基础。

AI赋能的RNA适配体筛选方法

张军-深圳大学助理教授

AI生成式RNA设计正在完成从“试错筛选”到“定向从头设计”的范式转变，在研发效率、复杂结构设计、多约束优化、全新分子开发上正在超越传统热力学算法与 SELEX；目前核心瓶颈集中在数据稀缺、生理微环境建模缺失、长链/多组分建模薄弱、模型可解释性差等底层问题；短简单RNA体外验证成功率尚可，但延伸至体内药物场景，计算设计与实验仍存在鸿沟，计算高分≠体内有效” 是当前核酸药物AI 研发最突出痛点。

Linking spatial transcriptomics to clinical phenotypes

with interpretable AI

段斌-上海交通大学系统生物医学研究院长聘教轨助理教授

报告围绕“如何利用空间转录组助力临床研究”展开。针对空间转录组领域普遍存在的临床样本规模有限以及人工智能模型可解释性不足等问题，上海交通大学段斌团队开发了基于可解释人工智能的空间生态位识别框架SpaPheno（Genome Medicine, 2026）。该方法无需依赖配对的空间转录组临床数据，即可从空间组学中发现与患者预后、疾病进展和治疗响应相关的关键空间区域。SpaPheno为推动空间组学研究向临床应用转化提供了新思路，也为精准医学研究开辟了新的方向。

多组学+AI， 创新药研发"经验试错"到"数据驱动"的范式变革

季序我-普瑞基准创始人/CEO

普瑞基准科技创始人、CEO季序我围绕AI驱动多组学数据挖掘与虚拟细胞技术分享了创新实践。他指出，多组学数据与人工智能的深度融合正推动新药研发由“经验试错”向“数据驱动”转变。通过整合基因组、转录组、蛋白质组及临床等多源数据，构建疾病分子调控网络和数字化疾病模型，可为虚拟细胞构建、创新靶点评估、适应证选择、生物标志物发现及临床开发策略优化提供重要支撑。普瑞基准自主研发的AIBERT®平台结合生成式AI技术，进一步赋能蛋白质设计与小样本研究验证，为提升创新药研发效率和成功率提供了新的技术路径。

从解读到编程：AI虚拟细胞构建及其在细胞命运调控中的应用

李鑫-中国科学院动物研究所研究员

构建“AI虚拟细胞”是计算生物学的前沿愿景。围绕这一目标，中国科学院动物研究所李鑫研究员建立了scCompass数据库，其整合1.5亿细胞的多物种数据为AI-ready提供数据基础。在此基础上，开发跨物种知识嵌入基础模型GeneCompass，实现跨物种基因调控的通用理解，并进一步提出Cell-GraphCompass，以图神经网络架构建模细胞内基因相互作用网络。同时，在干细胞命运决策建模方面，我们构建CellPolaris迁移学习框架，精准解析基因调控网络并模拟转录因子扰动对细胞状态的最终影响。该模型的预测能力通过实验获得直接验证：根据其预测，成功实现小鼠胚胎干细胞向胚外内胚层的高效定向分化，并构建具备原肠运动潜能的人工胚胎（iX-blastoids），完成了从计算预测到实验编程的完整闭环。本系列研究表明，一个可计算、可编程的虚拟细胞时代正在加速到来。

AI+量子计算：找到下一个千亿级 GLP 靶点的瑞士军刀

李翛然-医图生科联合创始人/CEO

当下前沿创新药物的国际竞争中迈入了一个全新阶段：高利润，高回报的适应症领域与治疗手段，依靠当前的科学分析方法，很难有效在早期找到关键性的改善方案。   其根本症结在于：统计相关性无法揭示因果机理，静态快照无法捕捉动态过程，分子互作的量子化学细节长期处于黑箱状态。

今年来 AI 的高速发展虽已加速靶点发现与分子生成，但其本质仍是概率推断，无法解决“候选众多、哪个为真”的验证困境，更无法在没有训练数据的全新靶点上完成从设计到验证的闭环。在试剂与仪器检测手段缺乏的领域，前沿探索举步维艰。

破解之道在于AI与量子计算的深度融合：AI负责跨组学数据整合、因果推断与分子生成，量子计算则负责将“实验搬上计算机”。利用量子化学的分析方法，将生物分子的相互作用，转化为求解薛定谔方程，利用量子计算机的天然内禀性的叠加与纠缠效应加速求解。从而将经典计算根本不能完成的挑战在机器上模拟推演。  得到  量子计算即实验结果 Quantum Computing as Experiment。

这种创新协同使药物发现从“大海捞针”转向“按需创造”——通过量子精度的从头设计，在零先验数据下生成功能性分子，将计算变为实验本身。

这一范式将重塑药物研发的效率天花板，使成功率持续向100%迈进，真正实现“只有想不想，没有不可能”的 Quantum AIDD  确定性药物设计时刻。

时空蛋白质组构建虚拟细胞

刘谱-西湖欧米算法工程师

虚拟细胞将是未来药物发现与合成生物学的重要引擎。蛋白质是功能执行层，其时空动态是构建可预测、可设计虚拟细胞模型的基础。

团队路线从底层质谱数据起步：MassNet系统化处理海量蛋白质谱数据，为下游分析提供标准化“原料”；FAXP 2.0在空间维度获取单细胞分辨率深度蛋白图谱，提供“空间坐标”；ProteinTalks在时间动态维度学习扰动响应规律，精准预测三阴性乳腺癌药物疗效及联合效应。

以虚拟酵母为例，将上述能力整合为模块化AI agent，实现从状态预测到实验闭环与细胞设计，助力高价值代谢物合成设计。这一“从测量走向预测”的完整链条，有望为精准合成生物学提供可计算的决策引擎。

AI多组学驱动革新：恶性肿瘤标志物挖掘与精准医药研发新范式

冯尊磊-浙江大学副教授

病理是连接肿瘤临床表型与空间多组学的核心枢纽，当前肿瘤机制研究仍面临假设驱动范式周期长、成本高、维度单一、机制阐释不充分等瓶颈。人工智能为突破这一困境提供了颠覆性技术路径。本团队围绕AI 赋能恶性肿瘤多组学解析，在预后基础模型、可解释归因分析、多维度差异群组挖掘、跨模态特征关联等关键方法上开展系统性研究，并研发融合智能体技术的表型组、蛋白质组、基因组等多组学整合智能解析平台。依托上述技术体系与平台，系统挖掘与肿瘤发生、发展、预后密切相关的关键生物标志物，深入揭示其分子调控机制，推动恶性肿瘤诊疗由传统经验驱动向大数据与人工智能驱动的精准医学新范式升级。

AI驱动的分子设计–制造–测试–分析闭环：加速智能药物发现

申万祥-浙江大学药学院百人计划研究员

申万祥研究员围绕“AI驱动的分子设计-制造-测试-分析闭环”展开报告，提出AI的核心价值不是替代单一研发环节，而是推动药物研发从经验驱动、线性试错转向数据驱动的闭环优化。报告首先从端到端药物研发“大闭环”出发，强调AI可贯通疾病理解、靶标发现、药物发现、患者分层与治疗结局预测，实现从病理生物学地图到精准治疗反馈的系统连接。在靶标发现中，AI智能体凭借更强的知识整合与自动化能力，可加速假设生成、证据评估和靶点优选；在DMTA“小闭环”中，生成式AI与虚拟筛选显著拓展化学空间，合成与制造仍是关键瓶颈，需要与自动化实验平台深度耦合；测试与分析环节则通过多维活性、功能和ADMET数据反馈，识别结构-活性规律，持续反哺下一轮分子设计与优化。

多智能体加速AI for science科研范式转型

金若凡-北京中关村学院助理教授

北京中关村学院助理教授金若凡分享了生物医学多智能体在生命科学研究中的最新进展。她介绍，团队构建了端到端自主发现系统BioLab，通过多模态生物基座模型、多智能体协同及数百种科研工具集成，实现了靶向PD-1阻断抗体的从头设计与多目标优化，显著提升了候选分子的设计效率和性能。同时，具备自我演化能力的STELLA系统可大幅缩短复杂科研任务的文献分析与知识推理时间，并结合实验室机器人和移动端科研助手，进一步打通计算预测、实验验证与迭代优化的全流程闭环，为AI驱动自动化科研和智能药物研发提供了新的技术范式。

SciMiner：面向药物研发DMTA闭环的记忆增强、

持续学习且可解释的智能体

熊昭平-质子展开联合创始人兼CEO

当前药物研发的设计‑制造‑测试‑分析循环时，数据在ELN、CRO 报告和建模工具之间不断穿梭，每一次交接，都在损耗项目的记忆和上下文，无法形成持续的闭环。我们推出AI原生智能体平台SciMiner，以AI为调度中枢自动串联研发全流程，其中人类CRO网络作为实施湿实验的插件。系统由一个协调代理、三重记忆结构、双环持续学习及解释层组成，覆盖小分子、多肽、ADC、抗体、核酸等多种模态。该设计突破干湿分离与可扩展性瓶颈，实现工业级研究自动化。

AI Agent 驱动的生物医药全生命周期：

从实验室智能体到工业级闭环控制

邓司伟-深圳津渡生科首席技术官

津渡生科联合创始人&CTO邓司伟在主题演讲《AI Agent驱动的生物医药全生命周期：从实验室智能体到工业级闭环控制》直击行业痛点：“实验室重复劳动繁重、生产端经验难传承，本质是‘认知’与‘执行’脱节。”

他重点展示了津渡生科两大核心落地成果：实验室端，结合物理AI技术方案，实验调度智能体已打通通用仪器抽象层，可连接120+类实验设备，让AI不仅能出方案更能真正动手做实验；工业端，发酵工艺优化方案在头孢、多肽细胞等多个场景陆续验证当中，把工程师手感固化成可复制的算法。

干湿闭环：AI赋能抗体药物研发优化和分析决策

吴宏辉-明度数智AI产品专家

明度数智基于数据治理底座与Atlas智能体平台，打造“干湿闭环”抗体研发方案，攻克筛选低效与依赖试错痛点。AI全流程赋能发现、优化至工艺环节，独创算法使PTM预测准确率达94.1%；精准剔除高免疫原性序列；密码子优化策略令单体产量翻倍。AI虚拟筛选更可减少75%纯化实验量，显著降本增效。方案展示了AI智能体协同与决策分析，推动抗体研发从传统的经验试错模式向科学的精准预测模式转型，为加速创新药上市提供强有力的数智化支撑。

基于液相色谱技术的化合物自动自主分离制备系统

陈晨-罗氏中国数字化自动化研究员

报告主要介绍了一款面向药物研发领域的自动化化合物纯化系统。该系统针对传统实验室纯化流程中人工依赖高、效率低以及设备利用率不理想等痛点，通过创新的智能化与数字化技术，重构了端到端的工作流。

系统实现了从任务管理、智能决策到数据闭环的全流程自动化执行，成功推动了实验室从“传统手工纯化”向“智能数字化纯化”的战略转型。这不仅大幅提升了研发效率与设备产出比，也为科研项目的高效推进提供了强有力的业务价值支撑。

LangGraph架构多智能体助力肿瘤疫苗研发

邱满堂-新颐智药CSO

新颐智药展示了面向通用型癌症疫苗设计的多智能体框架——DaFu。系统支持以不同目标癌种作为输入，自动整合已发表文献证据、目标癌种的表达/突变数据及公司自研免疫原性预测模型，通过肿瘤免疫、循证医学、临床肿瘤学等专家Agent多轮评审与优化，生成覆盖度更广、机制更互补且安全性可审查的候选疫苗组合策略。新颐智药的DaFu是全球首个通用型癌症疫苗设计Agent，DaFu与新颐智药现有个性化肿瘤疫苗管线互为补充，将大幅降低制造成本、缩短研发周期，让更多患者以更可及的方式受益于免疫治疗，践行“以科技普惠全球癌症患者”的使命。

MSAgent：自动化疾病代谢标志物发现智能体系统

夏俊-香港科技大学（广州）助理教授

传统生物代谢组学研究周期冗长，且质谱解析高度依赖专家人工操作，同时海外商用分析软件存在技术垄断难题。夏俊团队自研MSAgent AI科学家系统，打通原始质谱数据到代谢疾病机制发现全自动化链路。系统依托DeepSeek、ChatGPT等大模型智能调度多类集成的专业质谱工具，完成高精度谱图自动标注；结合自建人类代谢分子知识图谱自主推导科研假设，已在真实临床疾病队列完成落地验证，成功挖掘全新代谢标志物与疾病作用机制，有望大幅压缩实验周期，为精准医疗、创新药研发提供自主可控智能分析底座。

AI在减少动物毒性实验方面的研究与探索

陆江-西安交通大学特聘研究员/副教授

传统动物毒理试验伦理争议大、成本高、周期长、物种外推偏差大，难以匹配产业与监管要求，国际监管机构大力推行非动物NAMs并倡导 3R 原则，将AI毒理评估纳入标准化风险评估体系。本报告介绍了团队AI毒理系列研究，包括变分图自编码预训练、小样本伴随关联学习、强化学习引导式对比学习等，攻克了跨物种毒性外推、数据失衡、人类标注稀缺等痛点，实现了少样本下高精度毒性预测，为低毒新药研发、化学品精准风险防控提供了绿色高效AI方案。

基于量子生成特征求解的大模型药物分子精准设计

廖俊-中国药科大学教授

药物分子精准设计的三个维度——概率建模、化学空间探索、结构优化——共同受限于经典方法对分子空间概率密度的建模不足。本报告系统归纳了量子计算求解三类生成特征的统一框架：以QCBM和Boltzmann分布提供超越高斯的先验、以量子GAN（WGAN-GP）用110参数匹敌经典模型70万参数来抑制模式坍塌、以QUBO结合CIM在离散空间实现全局优化。实验证据涵盖KRAS抑制剂的湿实验验证（Kd=1.4μM）、超越AlphaFold2/3的蛋白结构预测、以及接近Glide SP精度的对接构象采样。当前阶段聚焦于量子特征求解本身，所有引证方法均有实验或计算验证，同时坦诚报告了已知局限。

驱动下一代药物研发的AI原生“世界模型+智能体”闭环

何骑-腾迈医药联合创始人/CEO

腾迈医药联合创始人兼CEO 何骑在报告中提出，以AI原生"世界模型+智能体"闭环重塑下一代药物研发。全球新药研发年投入高达3000亿美元、成功率却不足0.5%，八成失败症结集中于"分子"这一关键变量。不同于依赖历史数据统计相关性的传统AI，腾迈"世界模型"从第一性原理出发学习物理化学规律，实现从"拟合历史"到"理解规律"、从"已知数据"到"未知化学空间"的跨越。在此基础上，7×24小时运转的"AI科学家"以专家水准自主推进项目，将DMTA设计循环由"以月计"压缩至"以天计"，并已在多个管线中最快6周获得高活性全新分子。腾迈正以"AI创新×科学为本×中国执行力"，打造高效的端到端新药研发引擎。

支持中国创新药崛起，打造AIDD第二科技平面

樊杰-华为制药军团总裁

华为联合药企及科研机构，打造自主创新的AIDD“第二科技平面”，加速中国创新药崛起。依托昇腾全栈算力，构建涵盖分子预测、设计及临床智能化的全链路解决方案，实现研发效率倍增与成本显著降低。通过“算力+算法+数据”生态共建，推动生物医药从工具辅助向AI引擎驱动转型，助力产业数智化升级，确立算力在生命科学领域的核心竞争力。

AI Scientists重塑生命科学创新能力

王俊毅-摩湃分子联合创始人兼CEO

MolplusAI在通过打造拥有感知的AI科学家，帮助生命科学企业完成“AI推理基础设施”的升级。挑战传统科学研发中的“不可能三角”。AI 进入生命科学经历三个阶段——单点预测工具 → 平台化大模型 → 推理型智能体系统。瓶颈已从‘单点预测的精度’，转移到‘研发全流程的编排与决策’。通过新技术的应用为科学探索带来数量级加速。

让知识“再发现”：Springer Nature构建AI时代的生物医药“知识群”

巨蓉-Springer Nature数据产品与AI平台合作总监

在AI重塑生物医药研发的背景下，本次分享以“让知识再发现”为核心，阐述Springer Nature如何构建AI时代的生物医药“知识群”。通过文本与数据挖掘（TDM）将高质量文献赋能药物研发与趋势分析；利用超10万条高质量实验方法数据训练AI工具，提升实验效率与可重复性；Adisinsight数据库整合全球药物管线研发与监管信息，转化为可决策洞察。分享展示了从“信息获取”迈向“知识联结与再发现”的新路径，旨在共同构建生物医药创新知识生态。

AI在药物研发中的深度融合与知识产权保护策略

韩威威-苏州大学法学院知识产权教研室主任

随着人工智能与药物研发的深度融合，该领域知识产权保护日益重要。在实践中，可通过多种类型的知识产权保护赋能人工智能制药行业发展和企业创新。在专利保护方面，充分公开和创造性是本领域的热点和难点问题。除了专利保护之外，商标、著作权、数据知识产权、商业秘密等保护方式在自主创新及技术合作中亦具有重要价值。

物理驱动的AI生物分子动力学的时序建模

刘子敬-粤港澳大湾区数字经济研究院高级研究员

AlphaFold回答了"蛋白质长什么样"，但生命真正关心的问题是"蛋白质如何运动"。生物分子的功能来源于动态过程，而传统分子动力学模拟又受到巨大的计算开销限制。BioKinema尝试利用生成式人工智能学习分子运动规律，通过将物理先验引入Transformer，实现全原子生物分子动力学轨迹的快速生成。我们的目标并不是取代传统分子动力学，而是让AI成为探索生物分子动力学和药物作用机制的重要工具。

Hybrid Modelling Approach for Prediction and Control of 

Monoclonal Antibody's Glycosylation

彭军滇-Group Leader, A*STAR Bioprocessing Technology Institute

彭军滇介绍了一种结合机理建模与机器学习的混合建模框架，用于培养基优化及单克隆抗体糖基化预测。该方法在已有计算培养基优化模型基础上引入机器学习，实现对培养基各组分对细胞培养性能及抗体糖基化影响的精准模拟，可同步优化细胞生长、抗体产量和糖基化质量属性。该框架为培养基理性设计提供了高效的计算工具，有助于减少实验筛选成本，加速生物工艺开发，并推动AI驱动生物制药过程优化。

用 Human First 数据驱动脑疾病模型与 CNS 药物开发

包杨欢-普百思生物创始人/CEO

包杨欢认为，CNS 药物研发高失败率的核心并非缺少靶点，而是缺少可指导人体决策的脑疾病模型。PBS 提出 Human First 路径，从真实患者数据、纵向临床队列和 CNS 药物扰动数据出发，持续训练 AI 脑疾病模型；通过 NeuroMatrix 与 NeuroNexus，将疾病分型、机制解析、药物优选、标志物和临床转化连接成闭环，推动 CNS 药物开发从 animal-first 走向 human-first。

干湿一体化环肽药物研发智能体

邹一可-上海交通大学药学院长聘教轨副教授

环肽兼具小分子与生物大分子的部分优势，有望靶向难靶蛋白互作及胞内靶点。邹一可团队开发的 CycGenesis 平台结合 AI 结构生成、贝叶斯/主动学习优化与干湿闭环验证，在发现阶段即纳入活性、选择性、成药性和合成可行性考量，推动环肽发现从随机筛选走向可控设计。

从 AI 监管科学到 AI 医药世界模型：让创新药从设计之初就为获批而生

韩晓梅-阔跃智药创始人兼CEO

市场对AI医药存在一个评价陷阱：以三期临床成败来判定AI制药是否成功。这混淆了研发阶段的归因逻辑——三期临床的成败更多取决于临床前研究和临床方案设计，与早期分子优化的能力并不直接相关。AI在早研阶段带来的效率提升，是独立且显著的价值。

但行业的终极期待远不止于此。真正的突破在于：从设计第一天起，就能预判三期临床的成功率。这正是阔跃智药提出"AI医药世界模型"的核心——将药效、毒理、CMC等临床前研究和临床试验等全链条指标前置到蛋白设计环节，让AI从分子生成的起点就理解"什么是有可能成为药物的分子"，从而在设计端预测三期临床的成功概率。这不是简单的分子生成工具，而是使用人工智能革新整个药物研发系统。

基于蛋白质语言模型的多肽设计

王小奇-西北工业大学副教授

基于蛋白质语言模型的多肽设计，本质上是将蛋白序列视为“生物语言”，利用大规模预训练模型学习氨基酸之间的上下文依赖与进化规律，从而在序列空间中进行高效生成与优化。然而，多肽的构象动态与修饰复杂性远非静态序列能完全表征，在未来蛋白质语言模型需要增强多肽的动态轨迹建模；同时需要进一步融合湿实验反馈，实现“干湿双驱动”的精准多肽设计。

AI4S生命科学业界趋势及华为昇腾昇思的探索与实践

王紫东-昇思MindSpore开源社区理事长&华为昇腾计算产品线副总裁

华为昇腾计算业务AI框架业务总经理、昇思开源社区理事长王紫东分享了“AI4S生命科学业界趋势及华为昇腾实践”。基于昇腾超节点构筑基础软硬件能力，支持科学计算60+模型训练、推理和微调，MindSpore Science科研智能体系统使能科研效率跃迁，联合昌平实验室、中科大、广州实验室等机构，在蛋白质预测、纳米抗体预测及材料创制等领域取得关键突破，致力于与产业界一起构建跨学科AI4S生态，助力生物医药等科研跑出“加速度”，引领AI4S产业创新。

BCPM数据基座赋能医药行业AI落地应用

王中健-摩熵创始人兼CEO

制药行业 AI 应用从技术探索走向规模落地，目前的核心瓶颈不在算法而在数据基座。当前行业的根本矛盾在于：海量增长的医药情报和专业数据与低效人工处理的落差，以及通用大模型缺少垂直专业语料带来的幻觉问题。摩熵创始人兼 CEO 王中健博士指出，“AI 的上限取决于数据的下限”，若无高质量、多模态、可追溯专业数据支撑，企业级医药 AI 便无从落地。

摩熵 提出BCPM 生命科学数据基座——贯通生物、化学、药学、医学四大学科，将零散文献、专利、生物大分子、化学小分子临床、研发管线、市场销售数据统一治理为可溯源、可运算、适配模型应用的标准化知识库，既削减人工情报处理成本，也从根源规避 AI 专业研判偏差。基座产出的数据资产可赋能分子生成、ADMET、靶点挖掘、临床预判、文献智能问答、市场预测等全链路制药AI模型迭代，不只是数字化工具升级，更推动药企在研发、临床、风控、商业化全流程实现数据驱动决策，推动医药 AI 从概念走向产业实质落地。

多模态AI基础模型优化临床试验

吴昊-珞米科技CEO

AI制药正在从“模型能力竞争”走向“数据生成、实验、验证的闭环竞争”。单一模态数据难以解决人体生物学和制药问题，需要基于人类真实样本，生成高质量、标准化、可对齐的多模态数据，建设AI原生数据基础设施，训练多模态大模型，服务患者分层、药效预测和临床试验优化。珞米科技致力于打造AI for Science领域的Figure，以标准化数据采集平台为“本体”、部署网络回流的训练数据为“养料”，构建AI原生的多模态物理分子筛选世界模型——“AI4S大脑”。