跑分不等于成药！一家AI制药公司决定自己“造”管线

撰稿｜姚敬

如果把一间传统生物实验室搬进AI时代，它会是什么样？

屏幕前，研究人员输入一个靶点，AI分析蛋白结构、生成候选序列；随后，这些序列进入实验环节，完成表达、纯化和功能验证，实验数据再反馈给模型，开启下一轮设计。

过去，从一个靶点走到候选分子，往往需要经历反复的结构分析、序列设计、实验筛选与优化。如今，AI正在重构其中的部分环节。

但“设计出来”并不等于“成药”。一个在计算机中表现良好的蛋白序列，进入实验室后仍可能面临表达、稳定性、结合能力和功能等问题。

正如途深智合创始人王宇光博士在接受动脉网采访时所说：“AI真正进入制药行业，最终的评分标准不是一些benchmark（基准测试），而是能不能设计出真正有功能、有成药性、能够进入PCC（Preclinical Candidate，临床前候选化合物）甚至临床的分子。”

这也意味着，AI蛋白设计真正需要打通的，并不只是模型本身，而是从计算设计到实验验证，再到数据反馈的完整链路。

2023年成立的途深智合，选择从AI蛋白设计切入，并将蛋白模型、科学智能体与自动化实验体系连接起来。在这一体系中，AI负责设计与优化，实验负责验证，真实数据再反哺模型，形成“设计—验证—迭代”的闭环。

从“会设计”走向“能验证、能迭代”，这正是途深智合试图跨越的产业断点。

01

从“发现”走向“创造”，

途深智合押注AI蛋白设计

要理解途深智合的选择，需要先回到创始人王宇光博士的履历上去。

王宇光博士拥有新南威尔士大学数学博士学位，目前任上海交通大学副教授，研究方向集中于几何深度学习、图神经网络等领域。2020年前后，AlphaFold 2的出现让他开始关注AI与蛋白质科学的结合。

在王宇光博士看来，AI与蛋白设计的结合具有明确的产业应用空间。

一方面，蛋白质本身拥有庞大的序列和结构空间，传统研发更多依赖筛选、突变和实验迭代；另一方面，抗体、抗体偶联药物（ADC）、多肽等大分子药物已经形成成熟的研发和商业化体系，为AI蛋白设计提供了明确的应用场景。

“传统的蛋白和抗体研发比较依赖于筛选和试错，AI有机会把‘从自然界找分子’推向‘直接创造自然界原来找不到的、满足特定功能要求的新分子’。”王宇光博士在回忆创业初衷时表示。

从“发现”走向“创造”，成为途深智合最初选择AI蛋白设计的出发点。

2023年4月，途深智合正式投入运营；同年6月，公司交付首个商业化订单。

围绕蛋白设计这一交叉领域，途深智合逐步组建了一支覆盖人工智能、计算生物学、分子生物学、药物研发和自动化实验等方向的团队。公司披露的核心成员中，包括具有约翰·霍普金斯大学计算机博士背景的CTO、来自剑桥大学分子生物学实验室的技术负责人，以及拥有多年创新药研发经验的药学专家。

对于一家AI制药公司而言，这样的团队结构并非简单的专业叠加。蛋白设计本身横跨算法、结构生物学和实验科学，从计算模型生成候选序列，到实验验证其表达、稳定性和功能，每一个环节都需要不同领域的专业能力参与。

此后，途深智合沿着蛋白设计这一方向持续推进产品研发。从早期的Protein Engine，到ProteinNova蛋白设计智能体，再到ToursynClaw蛋白设计科学超智能体平台。

至此，途深智合的创业路径已经逐渐清晰：以AI和数学能力切入蛋白设计，再将这种能力逐步推向真实的药物研发场景。

02

不只是调用模型，

ToursynClaw串联蛋白设计全流程

如果说蛋白大模型解决的是“蛋白怎么设计”，那么途深智合进一步尝试解决的，是面对具体研发目标，如何将不同AI能力组织起来，完成从分析、设计到筛选的一系列任务。这也是ToursynClaw与单一蛋白设计模型的区别。

按照公司的设计，ToursynClaw由AI科学家智能体（Scientific Agent）与20余个专业算法模块组成。面对具体研发任务，系统可以围绕靶点分析、表位选择、蛋白结构与序列设计、候选分子筛选等环节调用不同工具，并进一步衔接实验验证。

ToursynClaw可视化界面

在这套体系中，ADFLIP逆折叠模型是众多专业模块中的一个代表性能力。所谓“逆折叠”（Inverse Folding），可以简单理解为：已知蛋白质希望形成怎样的三维结构，反过来寻找能够形成这一结构的氨基酸序列。与传统蛋白结构预测从序列推测结构不同，逆折叠是从结构反推序列。

途深智合自研的ADFLIP采用全原子（all-atom）建模，将原子、基团以及配体、DNA等周边环境信息纳入设计，并进一步考虑部分下游功能约束。在此基础上，公司还开发了BackFlip，用于探索在缺乏完整实验结构信息的情况下开展蛋白设计。

途深智合逆折叠模块ADFLIP

值得注意的是，ADFLIP、BackFlip只是途深智合20余个算法和专业模块中的一部分，公司并非依赖单一模型，而是针对不同蛋白设计任务建立相应算法，再通过智能体进行组合调度。

这种平台化思路在实际设计任务中得到了验证。2026年国际蛋白设计大赛（ICLR 2026 Workshop，Adaptyv/ProteinBase RBX1 Binder Design赛道）中，途深智合以ToursynClaw参赛，在RBX1无序区结合蛋白设计任务中获得全球第二、国内参赛队伍第一。

根据公司披露的赛事数据：途深智合送测的7组设计中，有2组在实验中获得结合结果，命中率为28.6%；而全场约300组参赛方案中，基准命中率约为3%（约9组命中），公司该项目的命中率约为这一基准的9.5倍。在KD（解离常数，Dissociation Constant，用于衡量分子结合亲和力，数值越低通常意味着结合越强）实测排名中，途深智合同样位列全球第二，其中一组针对RBX1无序区域的de novo（从头设计）Binder实验测得KD为85 nM。

途深智合的设计deep-bear-clay KD 85 nM·Medium Binder（全场第2）

RBX1靶点本身增加了设计难度——为包含无序区域（Intrinsically Disordered Region，IDR）的靶点。与具有相对稳定三维结构的蛋白区域相比，无序区域缺乏固定构象，对于依赖明确结构进行设计的方法提出了更高要求。

类似的从头设计能力，公司还在β1-肾上腺素能受体这一GPCR（G蛋白偶联受体）靶点上进行了验证。公司披露的案例显示，25个设计中有16个实现结合，结合命中率达到64%，最佳KD达到9 nM。

GPCR案例：β1-肾上腺素能受体

从计算设计到实验结合，这些案例为途深智合AI蛋白设计能力提供了具体验证。但对于公司而言，模型能够生成候选分子只是第一步，如何让实验结果进一步回到AI系统，影响下一轮设计，才是完整研发闭环的另一环。

这也成为途深智合下一步打通的“干湿实验闭环”。

03

干湿闭环：把AI的大脑，

装进机器人的四肢

从计算设计到实验结合，只是完成了前半程。对于AI制药而言，模型能生成候选分子只是起点——只有经过真实实验验证，并将数据反馈给模型，才能形成持续迭代的研发闭环。

这正是途深智合在ToursynClaw之外同步布局自动化湿实验平台的原因。如果说ToursynClaw是负责设计与决策的“大脑”，那么自动化实验体系就是连接数字世界与物理世界的“手和眼睛”。

基于干湿实验一体化的超级智能体

2026年7月，途深智合宣布联合中国生物制药集团、紫金星宇、镁伽科技，共建面向AI生物制药的“超级工厂”。其中，途深智合提供ToursynClaw科学超智能体及蛋白设计能力，镁伽科技提供自动化实验平台，紫金星宇负责通感智算控一体化能力，中国生物制药则提供真实药物研发场景及产业化资源。

王宇光博士认为，“AI再强大，没有有效的真实实验数据反哺，它的认知就是空中楼阁。”药物研发涉及的变量复杂，仅依靠有限的历史数据训练模型，很难覆盖真实研发中的各种情况；而自动化实验则可以持续产生标准化数据，为模型迭代提供新的“养料”。

这种闭环最终要落实到研发效率上。ToursynClaw与自动化实验产线打通后，可将有效抗体从设计推进至功能验证的周期压缩至约45天。在管线推进方面，首批16条管线已进入PCC（临床前候选化合物）阶段；公司计划到2026年底累计完成30条涵盖单抗、双抗、ADC及环肽等模态的差异化创新分子管线。

途深智合部分在研管线一览

更值得关注的是“人效”的变化。王宇光博士介绍，此前需要较多人力完成的实验筛选工作，如今团队约10人即可同时推进约10条抗体管线向PCC阶段推进。研发团队的组织方式正在从“人力密集型”转向“算法+自动化驱动型”。

理解途深智合对“干湿闭环”的执着，需要先看清它的商业模式——这不是一家卖软件或卖AI服务的公司，而是一家用AI驱动自身管线研发的生物制药公司。

其商业逻辑是典型的“双轮驱动”：第一个轮子是AI实验室服务，为客户提供抗体筛选、亲和力成熟、人源化改造、Minibinder从头设计等服务，目前已服务超过14个靶点；第二个轮子是核心引擎——自主创新药管线，利用自身平台自主设计并推进高价值创新药管线，策略是从单抗入手快速建立优势，同时布局双抗、多肽、ADC等领域。

“我们希望能够快速做出一个比较大的药品库，储备PCC阶段的高质量分子，然后和药厂进行授权或联合开发。”王宇光博士透露。公司计划在2026年内完成10条双抗管线的设计与实验验证。也正是因为目标是做自主管线资产，途深智合才必须把干湿闭环跑通，而不是仅仅交付一个软件工具。

这一商业闭环的可行性，已在资本端得到支持。成立不到两年的途深智合，已完成四轮融资，投资方包括诚美资本、锡创投、上海天使会等，诚美资本连续三轮追投。

04

从跑分竞赛走向工业化新药研发

回到文章开头的问题：AI制药真正需要跨越的，并不只是模型能力，而是模型、真实实验与数据反馈之间的断点。

途深智合的探索，是将科学超智能体、自动化实验和数据反馈连接起来——让AI参与研发决策，让自动化系统负责执行，再由真实实验数据推动下一轮设计。

其目标，是将过去依赖人工经验和反复试错的研发流程，逐步转变为由算法、自动化实验和数据共同驱动的工业化研发体系。

这条路径仍处于早期。从头设计的整体命中率、双抗及多抗等复杂分子的多指标协同设计，以及从PCC进一步走向IND和临床，都还有待持续验证。

但方向已经清晰：AI在制药中的角色，正在从提供单点预测工具的辅助角色，向深度参与研发决策、驱动实验迭代、直接产出候选分子的核心引擎演进。

途深智合未必是这条路上唯一的探索者，但它提供了一条可拆解的实践路径——把超智能体当作研发决策的中枢，把自动化产线当作执行系统，让真实数据成为AI持续进化的燃料。

从“药物发现”走向“药物创造”，这场工业化新药研发的实验，才刚刚开始。

秒追医疗健康产业创新

声明：动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。文中如果涉及企业信息和数据，均由受访者向分析师提供并确认。

点喜欢