21世纪经济报道记者季媛媛

　　在AI赋能生命科学的大潮中，国内蛋白质设计赛道上出现了越来越多的“破局者”。4月24日，天鹜科技正式发布对话式蛋白质研发智能体MatwingsVenus（晓鹜），用户可通过自然语言对话，在平台上完成行业研究、标签数据库检索、蛋白质设计、自动化实验验证、专家在线协同等工作，实现“设计即验证、验证即迭代”的智能化研发模式。

　　这一模式的关键在于“对话式干湿闭环”的打通——AI代理完成蛋白质设计后，平台通过自主构建的通讯机制，将结果导入质粒订购与实验编排流程，自动衔接后续实验任务，驱动机器人完成样品制备、蛋白纯化和功能检测，最终将实验结果回流至下一轮AI设计，形成计算驱动湿实验、湿实验反哺计算的迭代闭环。

　　天鹜科技的这一步棋背后，是资本市场的持续加注。就在今年3月，天鹜科技刚刚完成超2亿元的A+轮融资，由中石油昆仑资本、老股东涌铧投资以及上海未来产业基金联合领投，国投招商等机构跟投。这家2021年创立于上海“大零号湾”的企业，其商业模式和技术路径究竟如何？

　　对此，有券商医药行业分析师对21世纪经济报道记者表示，此次天鹜科技会发布蛋白质设计的干湿闭环研发平台，等于对话式的干湿闭环被打通了。从商业模式和市场前景来看，推动了这家公司从“卖软件”转向“卖服务/卖分子”，解决了蛋白质设计领域“最后一公里”的交付难题。

　　“其实，资本看重的不仅仅是天鹜的算法，而是其构建的‘数据飞轮’壁垒。”该分析师指出，对于AI制药来说，谁拥有高质量的湿实验反馈数据，谁就拥有最深的护城河。

　　传统蛋白质研发的最大痛点在于“慢”和“难”。

　　通常，一个抗体从发现到进入临床前开发通常需要数月甚至数年，期间需要大量湿实验反复筛选与验证。而免疫调控受体这类靶点，由于缺乏同类药物分子参考，靶点表面以极性区域为主、缺少典型高成药性结合热点，天然配体又已具备nM级高亲和力，使得从头设计全新binder分子的难度极大。

　　根据公开信息，MatwingsVenus在免疫调控受体靶点的从头设计项目中完成了这一挑战。以靶点结构与功能需求为输入，代理自动完成骨架筛选、界面设计、序列优化和成药性预判等全环节计算工作，快速输出高质量binder设计序列。经自动化实验平台制备的binder样品在体外细胞活性实验中表现突出，数十个分子具备明确细胞阻断活性，兼具功能抑制与高亲和力潜力。

　　平台的另一验证案例是蛋白质型甜味物质Monellin的改造。天然Monellin虽然甜度较高，但稳定性较差，易受pH、温度、离子强度以及长期储存条件影响。MatwingsVenus采用“代理设计—自动化实验—AI反馈—代理再设计”的多轮迭代策略，逐轮缩小搜索空间、逐步优化候选集合。最终，自动化实验结果显示，多个样本的甜度相比野生型提高十几倍，且耐热性维持在约75°C的高位区间。

　　从这两个案例可以看出，“对话式干湿闭环”降低了从AI设计到实验验证之间的门槛。

　　传统模式下，科学家完成计算设计后需要手动传输序列信息、联系外包实验室进行合成与表征，整个流程冗长且容易出错。MatwingsVenus通过一站式的“设计—验证—迭代”闭环，将云端AI设计能力与自动化湿实验平台无缝衔接，代理完成设计后可直接驱动机器人完成样品制备、纯化和功能检测。这实质上构建了一个可持续迭代的智能化研发基础设施。

　　目前国内蛋白质设计赛道主要分为三类玩家：一是纯算法公司（只卖软件/模型），二是传统CRO（依赖人工实验），三是像天鹜这样融合AI与自动化实验室的平台型公司。

　　天鹜最大的差异化在于“通讯机制”和“闭环速度”。

　　前述分析师指出，此次事件最大的意义在于，一方面，商业模式上，天鹜打破了传统CRO“按项目收费”的重人力模式，通过“AI设计+自动化实验”的智能体平台，实现了标准化、高通量的蛋白分子交付。这意味着一旦平台跑通，边际成本会显著降低，具备极强的规模化潜力。

　　另一方面，市场前景方面，蛋白质是生物医药（抗体、酶替代疗法）、合成生物学（工业酶制剂）的基础“芯片”。国内每年仅工业酶市场的进口替代空间就达百亿级。天鹜选择从“难而正确”的底层技术切入，一旦验证了其设计成功率优于传统筛选，就能迅速占领价值链顶端。

　　目前，行业正处于从“单点工具”向“全流程操作系统”跃迁的关键期，天鹜的“干湿闭环”被认为是目前最接近工业化落地的形态。

　　智能体服务于生物药与合成生物学领域，天鹜科技并非孤例。

　　尤其是在AI蛋白质设计赛道，近年来，该领域热度陡升。据QYResearch统计，2025年全球AI蛋白质设计市场销售额达到4.96亿美元，预计到2032年将达14.94亿美元，年复合增长率16.8%。

　　在国际层面，多家初创公司已展现出高调的技术进展。2025年11月，华盛顿大学David Baker实验室在Nature发表了一项里程碑研究，描述了机器学习辅助的抗体从头设计，这也是首篇关于AI抗体设计的同行评议论文。2024年成立、由Baker实验室六位联合创始人共同创办的AI独角兽Xaira Therapeutics手握10亿美元资金，正致力于将AI设计的抗体推进至临床转化阶段。

　　另一家值得关注的企业是Chai Discovery。该公司在2025年12月完成1.3亿美元B轮融资，其核心模型Chai-2被宣称能够以超过50%的成功率设计全长单克隆抗体，较Baker团队的方法提升了两个数量级。伦敦的Latent Labs则发布了Latent-X2模型，同样声称达到了50%的靶点级成功率，生成的VHH纳米抗体和scFv片段与靶点的结合亲和力可达到皮摩尔至纳摩尔级别，并且针对“不可成药”靶点KRAS(G12D)也展示了有效结果。

　　在数据验证层面，Absci公司今年1月发布了Origin-1平台，能够在“零先验表位”（Zero-Prior Epitope）的情况下从头设计全长单克隆抗体，并在四个靶点上通过冷冻电镜验证了初始设计结构的高精度吻合。

　　2026年2月，由Flagship Pioneering孵化的Generate Biomedicines成功登陆纳斯达克，融资4亿美元，市值一度逼近22亿美元——这被认为是迄今AI制药领域最重磅的上市事件之一。该公司宣称其基于生成式生物学平台设计的蛋白质药物GB-0895已进入III期临床，成为全球首个由AI设计并进入III期临床的蛋白药物。

　　在国内，天鹜科技的市场竞争对手也动作频频。分子之心今年2月宣布其平台MoleculeOS完成重大代际升级，在抗体-抗原复合物结构预测等关键任务上达到工业级精度，并在数十家头部药企和合成生物学龙头中完成了产业验证。

　　百奥几何则在去年10月发布了GeoFlow V3大模型，首次将多步推理引入蛋白质设计，在针对多个靶点的从头设计任务中，平均湿实验验证命中率达到15.5%，超过上一代AI方法超百倍。

　　国际巨头也在积极布局。勃林格殷格翰今年3月宣布扩大与OpenProtein.AI的合作伙伴关系，将后者平台嵌入癌症和自身免疫疾病的蛋白质药物研发管线。礼来、赛诺菲和辉瑞等跨国药企也相继与Chai Discovery、Earendil Labs和Boltz等AI生物技术公司达成了研发合作。

　　全球AI蛋白质设计赛道呈现出明显的多方竞速态势：以Generate Biomedicines和Xaira为代表的“管线优先”模式，专注于推进少数精选药物进入临床试验；以天鹜科技、分子之心为代表的技术平台型公司，则强调将AI设计能力与自动化湿实验深度整合，赋能更多产业开发者。

　　尽管技术突破层出不穷，AI设计的蛋白质要从实验室走向真正的临床应用，仍有诸多关键挑战有待克服。

　　前述分析师指出，临床试验验证的“最后一公里”。 截至目前，全球尚无完全由AI主导发现或设计的药物获批上市。AI设计的小分子药物在II期临床失败率高达80%，远超传统药物的57%。

　　前不久，由英矽智能开发的肺纤维化候选药物是在AI辅助下进展最快的项目之一，该候选药物在2025年完成了IIa期临床，但要真正上市仍面临更大规模III期临床的检验。而目前多个AI设计或发现的药物处于临床阶段，若进展顺利，首个这类药物有望在2027年前后获批上市。但在此之前，“设计是否有效”这个问题仍悬而未决。AI可以预测分子层面的物理化学性质，但难以模拟人体复杂多变的免疫系统、肿瘤微环境和代谢差异，这正是从“AI设计成功”到“成为药物”之间最难以跨越的鸿沟。

　　监管框架的适配性问题也需要解决。 FDA虽然正在推动监管体系改革，包括2026年明确以“一项高质量III期研究”为默认标准、启用AI审评助手Elsa、设立30日默示许可制等举措但AI制药的监管难度不止于此。

　　当前的核心困境在于缺乏统一标准：全球范围内尚无统一的AI临床试验审批标准，模型验证、质量控制和责任界定机制尚未建立健全。另一方面，AI生成分子的“结构幻觉”等问题在多个项目中真实发生过，算法在体内毒性预测方面的准确性依然存疑，“AI实验组”式的真实世界验证建议尽管已被提出，但尚未成为行业常规做法。

　　此外，大规模数据壁垒与模型偏见。在抗体设计领域，全球公开的去重后抗体-抗原复合物结构数据仅有约1500个，这点数据量远不足以训练出能解决真实世界问题的生成式模型。

　　“许多企业不得不依赖内部私有数据，但每家企业的数据积累方式、质量控制标准各不相同，跨机构共享存在合规隐忧。”前述分析师认为，多数AI模型更擅长预测“已经见过的”结构样式，面对全新靶点或极难表征的隐匿表位，成功率显著降低。AI多属性协同优化能力的落地，也高度依赖高质量、多样化的训练数据积累。

　　目前，在全球化背景下，AI设计药物若要在多地进入临床试验和上市审批，须满足不同国家和地区监管机构的差异性要求。虽然FDA、EMA和中国药监局（NMPA）等机构正探索新机制和优化审评流程，但这些机制的落地效果仍需较长时间检验，企业在药物开发策略设计阶段就需提前预判多区域的监管路径要求。

　　尽管前路挑战重重，天鹜科技MatwingsVenus的通路，将AI设计、自动化式实验与对话式交互三者融合，确实为整个行业提供了一条值得考察的范式路径。

　　从行业视角看，“个人可调用的基础设施”并非仅仅是一个商业口号，其背后代表着蛋白质研发从实验室内部的小范围专有工具向普惠化公共资源过渡的可能。对个人用户和小型团队来说，通过对话智能体调用共享科研资源，“把想法快速转化为真实产品和功效”之前所未有的便利可能，有望将蛋白质研发的入场门槛显著降低。

　　行业发展的节奏正在加快，对于身处这些系统变革中的生物医药行业而言，最大的不确定性或许不是技术是否可行，而是规模化落地需要多久。

（文章来源：21世纪经济报道）