在即将召开的2026上海生物医药合作大会前瞻研讨中，生成式人工智能（Generative AI）重塑蛋白质与抗体设计的议题成为焦点。近年来，生成式人工智能正在重塑蛋白质与抗体设计的研发逻辑。从分子结构预测到序列优化，AI模型的引入让原本需耗时数月甚至数年的研发周期被压缩至数周，设计效率提升数十至上百倍。

这场变革不仅加速了“从计算到生物验证”的闭环进程，也正在改变全球生物药创新的竞争格局。

AI 驱动的蛋白质设计革命

过去十年，DeepMind 的 AlphaFold 与 Meta 的 ESMFold 打开了“AI 理解蛋白结构”的大门。如今，AI 不仅能“预测”蛋白结构，更能“生成”全新的抗体与蛋白序列。

最新的生成式模型，如 Chai-1 与 Chai-2，由生物计算公司 Profluent 推出，能够通过学习上亿条自然蛋白序列，直接设计具备目标功能的蛋白。相比传统依靠突变与筛选的实验策略，这类 AI 模型可以在几分钟内生成具备稳定结构和功能预测的抗体候选序列。

Chai-2 采用与语言模型相似的 Transformer 架构，通过“蛋白语言学习（protein language modeling）”从氨基酸序列中捕捉功能规律，再结合折叠预测与能量评估，实现抗体或酶的定向生成。其核心机制与自然语言模型生成文本的原理类似，但输出的是“分子代码”。

图片来源：智药局

 

生成式模型与实验结合：AI 进入验证闭环

在生成式设计之外，AI 平台正加速与实验筛选系统的整合。例如，Manifold Bio 推出的 MBER（multiplexed biological evaluation and response） 平台，能在体内（in vivo）同时验证数千个由 AI 生成的分子设计，实现“设计 → 生物学验证”的高通量闭环。这意味着生成式 AI 不再只是计算工具，而是进入真实药物开发流程的核心环节。

同时，AI 生成的序列可以与分子动力学模拟（Molecular Dynamics）及能量优化工具（如 Rosetta）结合，通过多层筛选预测其稳定性、免疫原性与制造可行性，从而提升“命中率”和“可开发性”。

中国团队的突破与全球协同

中国科研机构和创新企业正在加速布局生成式蛋白设计领域。包括 百度百图生科、晶泰科技、英矽智能（Insilico Medicine China）、药物设计公司 XtalPi 等在内的团队，已在蛋白语言模型、结构预测与 AI 驱动的抗体优化方面建立起自主技术体系。

部分国内团队正基于 ESM、ProtGPT2、ProGen、ProteinMPNN 等模型架构，开发针对抗体 CDR 区（Complementarity Determining Region）或特定靶点的序列生成算法，实现了自主模型在抗体生成上的突破。

2024 年以来，中国 AI 药物研发企业在蛋白质生成方向的融资增长超过 30%，显示出该领域的战略价值正在被产业与资本共同认可。

产业化加速：从平台能力到合作生态

在国际范围内，AI 抗体设计正从研究走向合作落地。美国的 Nabla Bio 已与 Takeda Pharmaceutical 扩大 AI 药物设计合作，计划通过其 Joint Atomic Model (JAM) 平台在 3–4 周内完成“计算设计到实验验证”的闭环；BigHat Biosciences 与 Eli Lilly、Amgen 等药企也正在将 AI 平台嵌入早期分子筛选管线。

与此同时，结合 AlphaFold-Multimer 与生成式设计的 hybrid 策略，正成为药企内部研发的新标准路径——AI 提供候选空间，实验提供真实反馈，从而不断提升模型性能与开发成功率。

图片来源：智药局

 

未来展望：构建可解释、可信的生物设计生态

尽管生成式 AI 在蛋白质设计领域进展迅速，但仍存在可解释性、数据偏倚与监管透明度等挑战。行业专家指出，未来竞争的关键不再是单一算法，而是 “模型 + 实验 + 数据循环” 的协同能力。

在此背景下，中国 BioTech 生态的优势正在显现：完善的生物制造体系、快速迭代的实验平台以及开放的数据合作环境，使其有机会在全球生成式生物设计的下一阶段占据重要位置。

总结

生成式 AI 正将抗体与蛋白质设计推向新的范式。无论是 Chai-2 等基础模型的突破，还是 AlphaFold 生态的扩展应用，都标志着“AI-native 生物设计”时代的到来。

未来的药物创新，将不再只是实验的艺术，而是算法与生物系统共进化的科学。这一趋势将在2026上海生物医药合作大会上得到充分展现，推动全球生物医药产业迈向智能化新纪元。

 

文章来源：知乎智药局