编辑｜吴昕
二十多年前，一种后来改变血液治疗的化合物，在 Celera Genomics 的实验室里被合成出来。当时，它还不叫伊布替尼（ Ibrutinib ），也没有人知道它后来会成为一款重磅抗癌药。
最初，它只被当做一个工具化合物，用于研究细胞信号网络中的一个微小「开关」BTK 激酶。随后，又以「白菜价」打包卖给当时濒临破产的 Pharmacyclics。
在新东家的手中，这个曾经不起眼的化合物逐渐显露出治疗 B 细胞肿瘤的巨大潜力，并最终以伊布替尼之名于 2013 年获批上市。
美国财经记者 Nathan Vardi 在《血色财富：抗癌药背后的利益与梦想》中讲述了这个分子的「九死一生」。如今回望这段历史，一个有趣的反事实假设不禁浮现脑海
如果当年 Celera 的化学家已经手握今天的 AI 技术，伊布替尼会不会更早被锁定？让 Pharmacyclics 狂赚上百亿美元的史诗级「捡漏」，还会发生吗？
2026 年，这已经不完全是假设。
后 AlphaFold 时代，AI 开始从「看懂分子」走向「设计分子」。 一些头部 AI Bio 直接用 Drug Design Engine（DDE） 定义自己的下一代系统。它们能让 AI 设计出来的分子，尽量落在「成药区间」，而不是随机、无限地生成分子。
Oak HC/FT联合创始人兼管理合伙人 Annie Lamont 曾表示：「我们现在拥有能够更快将分子推进至人体试验阶段，且成功率更高的模型。这与仅仅一年前的情况截然不同。」
正是在这个行业节点上，原生 AI TechBio 公司寻明生科（ Aureka ）完成了 1 亿美元 B 系列融资。距离上一轮 A+ 轮融资，仅仅过去 4 个月。
资本密集押注的，显然不只是一个更擅长预测的生物基座模型。因为寻明生科真正想搭建的，是一套横跨数字世界与生物世界的药物发现基础设施：真实实验世界持续返回的反馈，让这个基座模型能够从结果中学习，在一次次迭代中变得更会设计药物。
我们在用非常 LLM 的方式在做这个事情。寻明生科创始人兼 CEO 赵伟安博士打了比方，如果传统药物发现是在造油车，我们希望用特斯拉的方式把它重做一遍。
AI TechBio「顶流」为何集体迷上抗体？
把时间拨回几年前，AI 制药最容易让人想到的还是小分子。早期一批 AI Drug Discovery 公司，大多从虚拟筛选、性质预测和小分子生成切入。
但到了 2026 年，生成式蛋白和生成式抗体迅速升温，寻明生科、Chai、Generate Biomedicines、LabGenius 等越来越多 AI TechBio 开始把 AI 直接用于大分子药物设计。
抗体尤其成为一块兵家必争之地。寻明生科就瞄准了高价值抗体治疗药物，还把 GPCR 这类传统抗体开发中的 challenging targets 列入攻坚范围。
大家为何如此集中指向抗体？
首先，抗体早已是被制药工业充分验证的药物形式，也是名副其实的「爆款制造机」。从曾长期占据全球「药王」宝座的修美乐，到如今的 K 药，一批超级重磅药物已经证明了抗体药物的巨大商业价值。
然而，随着单抗走向双抗、多特异性抗体，研发需要同时优化亲和力、特异性、稳定性、表达和功能，搜索空间迅速膨胀，单靠人工经验和逐轮试错越来越难以应对。
这正是 AI 擅长的问题。而抗体，几乎是为生成式 AI 量身定做。
抗体本质上由氨基酸序列构成，序列可以直接编码进 DNA 中。得益于 DNA 合成、测序和表达技术的日益成熟，大批量候选抗体能够以更低成本被制造并进行高通量测试。
这就使得「模型大规模搜索 + 实验快速筛选」成为一条越来越现实的路径。
小分子就很不一样。即使在计算机里设计出很多结构，「设计出来」与「做得出来」之间，常常隔着不小的距离。赵伟安提到，如果模型一次设计 1 万个小分子，最后可能只有几十个真正能够被合成，因为每个分子都需要具体的化学合成路线，成本也高。
更深层的原因在于数据与 Scaling Law。
蛋白质、DNA 和 RNA 是自然选择在漫长进化中筛选留下的海量数据，其中暗藏着 AI 模型可以深度学习的底层 Pattern。寻明生科也观察到，随着训练数据量和模型规模的增加，模型对蛋白质的表征和设计能力仍在持续增强，这意味着该领域依然拥有巨大的 Scaling 空间。
生物分子基础模型中观察到的尺度趋势。来源：Aureka AI Research。
小分子领域做了这么长时间，大家还没有发现 Scaling 的现象。赵伟安认为，一个可能是还没找到特别适合小分子 Scaling 的模型架构，另外也和数据有关。
小分子的历史数据，很多来自几十年来药物化学家的人工探索，带有很强的人类经验、项目目的和历史路径依赖，在整个化学空间里显得碎片化、稀疏、不连续。这会让模型更难从中抽象出能够跨项目泛化的规律。
Lab-in-the-Loop：
给基座模型建一座「数据发电厂」
过去很多 AI 制药公司只做「干实验」： 在计算机里预测、筛选和设计分子，再把候选交给后续实验体系验证。
后来事实证明，这种模式对真实药物发现的商业影响非常有限。因为计算机里看起来完美的分子，在真实的生物体内容易「见光死」。它可能无法合成，可能有毒，可能在血液中迅速降解，也可能能够结合靶点，却根本产生不了预期的生物学功能。
生命科学，终究高度依赖真实世界反馈。AI 可以提出候选、缩小搜索空间，但一个分子究竟有没有用，还是要进入 Wet Lab，也就是湿实验中接受检验。
所谓湿实验，就是把计算机里的设计真正做出来，再通过蛋白、生化、细胞乃至动物实验测试它的表现。这些实验不只是给候选分子「判卷」，还能主动生产公开数据中稀缺的 function（功能）数据。
这也是为什么，寻明生科把 Wet Lab 放进自己的基础设施「套餐」，而且摆在了与算力、基模同等重要的位置——实验产生的 Ground Truth 可以告诉模型哪些设计有效、哪些失败，再成为下一轮训练和设计的反馈。于是，模型设计、实验验证和数据回流，不再是彼此割裂的几个步骤，而被串成了一个持续运转的 Lab-in-the-Loop，也就是干湿实验闭环
为了让这个闭环跑起来，寻明生科搭建了一套以单细胞微流控为核心的高通量实验体系。
传统抗体测试大量依赖 96 孔板等实验方式，需要先表达和制备足够量的分子，再逐个进行测试。寻明生科把反应空间缩小到微米级液滴。赵伟安介绍，反应体积可以缩小约 100 万倍，在如此微小的空间里，单个细胞产生的抗体量就足以提供功能检测信号。
实验规模也随之发生变化。传统方法一次往往只能处理几十到上百个候选，寻明生科的微流控平台可以并行运行百万乃至千万级反应。由于试剂消耗大幅降低、流程高度自动化，单个分子的表征成本也能下降数个数量级。
赵伟安透露，公司已经在加州搭建了 3 个大型超高通量实验室，并配备完整的工程和软件团队。这些实验室就像是一座为基模配套建设的「数据发电厂」：模型持续提出新的分子设计，实验系统迅速把它们做出来、测出来，再把真实世界的结果源源不断送回计算端。
所以，这套系统其实同时跑着两个闭环。赵伟安总结道。
一个是「大闭环」，负责筛选出更好的药物候选。另一个是「小闭环」，实验产生的新数据持续回流基座模型，让它变得更懂生物，也更会设计。
这个基座模型，正是寻明生科的另一项核心技术资产AuraIDE。
药物发现引擎 AuraIDE：「从零设计」分子
寻明生科将自己的生物基座模型 AuraIDE ，定位为 Drug Discovery Engine。不只是预测蛋白质结构，它还要进一步参与抗体—抗原复合物预测、分子相互作用建模、de novo design （从头设计）和候选优化等真实药物发现任务。
换句话说，它不仅要回答这个分子长什么样、会怎么结合，还要知道如果希望形成这样的结合，应该反过来设计一个什么样的新分子？
要实现这一跨越，首先要足够准确地理解多个分子之间的相互作用。
以抗体设计为例，只知道抗体和抗原各自的静态结构远远不够，更重要的是预测两者会在哪里结合、以什么姿势接触，以及界面上的原子如何相互作用。这也是 AuraIDE 重点打磨的一项能力多分子共折叠（ Co-folding ）。
其中，抗体—抗原复合物预测是最核心、也最容易接受外部检验的任务之一。
7 月 6 日，寻明生科推出了 Open Drug Discovery Engine（ OpenDDE ），将部分底层药物发现能力以开源形式向外界开放。
如果说 AuraIDE 是公司内部持续迭代的完整药物发现引擎，那么 OpenDDE 更像是从这套体系中拆出的一部分「引擎能力」，让外部研究者可以直接测试、验证。
OpenDDE架构、结构标记推理和原子形状互补性。来源：Aureka AI Research。
https://www.aurekabio.com/news/60
第三方计算生物学平台 Tamarind Bio 随后对 OpenDDE 进行了独立复测。
在 FoldBench v1 包含的 113 个抗体—抗原复合物、172 个界面上，OpenDDE v1 的 DockQ success 达到 76.1%，高于其引用的 AlphaFold3 的 47.9%。
换到更严格的 OOD 测试后，领先幅度有所收窄，但 OpenDDE 的相关版本仍然保持优势。
OpenDDE在公开抗体—抗原结构预测基准FoldBench v1上的第三方评测表现。来源：Tamarind Bio，Open Models Beat AlphaFold3，FoldBench v1 benchmark。
第二个关键在于模型更底层的表示方式，他们重新定义了 Token
许多蛋白质模型以氨基酸残基作为基本建模单元。作为一个全原子生物分子基础模型，AuraIDE 选择了更细的粒度：保留全原子的三维信息，同时将蛋白质的主链（ backbone ）和侧链（ side chain ）拆分成不同的 Token。
主链构成蛋白质的基本骨架，影响整体折叠与空间形态；侧链携带不同氨基酸的化学性质，直接参与静电、疏水作用以及分子界面的形成。
如此一来，模型面对的不再只是一串氨基酸字母，而是一套更接近真实分子世界的三维结构语言。
对于抗体设计，这一点尤其重要。抗体能否识别并结合抗原，最终取决于原子尺度上的空间匹配和相互作用。模型只有更准确地理解主链如何塑造整体结构、侧链如何参与界面作用，才有可能从预测一个结构，继续走向「反向设计一个能够形成目标相互作用的新分子」。
这种 Tokenization 也直接关系到 Scaling 效率。
与互联网文本相比，生物领域真正高质量的数据更加稀缺，简单增加参数未必能够带来同等幅度的能力提升。寻明生科希望先通过更细粒度的表征提高模型对每一份生物数据的利用效率，再进一步扩大训练规模。
赵伟安透露，OpenDDE 参数规模已达 7 亿（700M），已是 AlphaFold3 的两倍多。内部正在使用的闭源模型，参数规模更是开源版本的 2-3 倍。训练数据规模约为 100B—120B Token，并使用千卡级计算集群进行训练。
第三个关键是把 Structure prediction 和 de novo design 放进统一的训练框架。
这意味着，模型不再只是解释一个已经存在的分子，而开始参与创造一个此前并不存在的分子。
但 Structure 不等于 Function。一个抗体即使结构合理、结合得足够牢，也不意味着它一定能够产生预期的细胞功能，更不意味着最终拥有理想的药物性质。
于是，AuraIDE 又和前面的 Lab-in-the-Loop 接了起来：模型不断提出和优化新的分子设计，高通量 Wet Lab 把这些设计放回真实生物系统中验证功能，再将成功与失败的数据重新送回模型。
一头连接计算，一头连接真实生物世界。两者合在一起，才构成寻明生科最核心的技术资产
卖车还是卖引擎？开源背后的商业阳谋
OpenDDE 开源之后，寻明生科遇到过一个很现实的问题：既然底层模型是重要技术资产，为什么还要免费给别人用？
这个问题放在通用 AI 行业里并不陌生。模型本身就可以成为产品，通过 API、订阅等 Model as a Service 模式变现。
但制药行业不一样。「药企最终愿意花大价钱购买的，通常不是一次模型调用，而是一个经过充分验证、能够继续开发的 Drug Asset。」赵伟安说。
尤其是抗体等生物药，研发和资产交易链条已经相对成熟。一些项目在积累足够有说服力的临床前数据后，就可能进入 licensing 或资产交易。在理想情况下，一项抗体项目从立项、AI 设计，到形成具备交易价值的药物资产，最快可以压缩到一年左右。赵伟安补充道。
正是基于这种行业特质，寻明生科构建了「既卖引擎，也卖车」的商业模式。
「卖引擎」，指的是依托基座模型的能力，为药企提供技术合作与定制化开发。而开源的战略意图在于「试驾」。
在一个研发周期极长、合作建立在严苛验证与信任基础上的传统行业里，主动将一部分底层技术能力交接给潜在客户，让药企在内部真实环境下去亲自验证这套 AI 的成色。
赵伟安透露，OpenDDE 开源至今，已有大型跨国药企将其引入内部研发体系。但他毫不担心「拿走代码就等于复制了寻明生科」。
开源的是某一个时间点的模型，而没有随之开放的，是持续升级这台模型的能力。高通量实验体系、内部功能数据，以及怎样把实验中的成功与失败重新转化成下一轮模型训练信号，这些仍然留在公司内部。
再往上一层，还有围绕 AuraIDE 搭建的整套药物发现链路：从模型设计，到实验验证、功能筛选和候选优化，最终把计算机里的分子变成能够继续推进的药物资产。
「一家传统药企即使拿到一块特斯拉电池，也不会因此立刻变成特斯拉。」他说。
这也解释了寻明生科另一半、同时也是价值更高的生意：「卖车」。公司希望利用模型和实验平台持续产生具有差异化的候选分子，再在临床前或更后阶段通过 licensing、管线合作等方式与大型药企交易。
总之，「卖引擎」卖的是技术能力，「卖车」卖的是经过验证的药物资产。这套商业模式也开始在真实项目中留下结果。
目前已公开 8 条[多特异性抗体( AURA083 )、激动型抗体( AURA104、105 )、高效内吞型抗体( AURA136 )、酸碱开关抗体( AURA053 )、表位特异靶向抗体( AURA010、012、014 )]，共有十数条管线在研，其中 1 款药物即将进入临床阶段，2 款进入 IND 开发阶段。
公司披露，首款面向自身免疫疾病的功能型抗体候选药物已完成临床前药效、药代和毒理研究，正在准备 IND 申报，并计划于 2026 年内启动 I 期临床。
另一边，技术合作也在向更深的药物资产合作推进。目前，公司已与多家跨国药企展开 BD 或 NewCo 合作，过去两年实现千万美元级商业收入。
迈向生物世界模型
如果 AI 制药仅仅是为了在已知的地图上跑得更快，那未免辜负了这项技术的潜力。
比如在 PD-1 等成熟靶点上更快地设计分子，固然能大幅提升效率，但这也意味着将漫长的行业内卷极致压缩。存量博弈下，蛋糕只会越切越薄。
更大的机会，藏在今天还没有进入药企 pipeline 的地方。
AI 能不能从海量自然序列、组学数据和实验结果中，发现人类尚未理解的生物规律？能不能进一步找到新的疾病机制、新的靶点，甚至重新打开那些过去被认为「不可成药」的空间？
这也是为什么寻明生科要进一步探索「生物世界模型」。
今天的生物基座模型，还在回答分子长什么样、两个分子如何结合、怎样设计出满足目标相互作用的新分子。生物世界模型试图预测当我们向生命系统投入一颗石子，会激起怎样的涟漪？
要掌握这种宛如「造物」般的规律，仅靠静态的 3D 结构已无济于事。模型需要「看」到海量真实的动态反馈：干预、扰动，然后等待结果，需要真正理解生命运转的法则。
到那时，AI 不再只是制药工程师手中缩短研发周期的一支笔，更是成为人类深入未知生命科学「无人区」的一盏灯。
