起源：：：伊拉克巴基斯坦已别离同伊朗签定和谈作者：：： 赵淑美：：：

诺奖得主尝试室走出的中国团队，正用世界模型重构性命分子设计

机械之心颁布

从前几年，AI4Bio 最深刻人心的突破，莫过于 Google DeepMind 开发的 AlphaFold。。。

它让 AI 大规、、靠近尝试精度地 “看见” 蛋白质结构。。。到了 AlphaFold 3，AI 甚至起头进一步理解蛋白、、核酸、、小分子、、离子组成的多组分复合体。。。

但性命工程真正想要的，不只是看见。。。

而是设计。。。设计一个分子，让它在正确的地位、、以正确的方式与指标产生作用，进而调控通路、、扭转病理过程，甚至重构某种性命职能。。。

以核糖体为例，它不仅是蛋白质、、RNA 与小分子药物共同作用的分子机械，也是多种小分子药物的作用靶点。。。

这正是 AI 分子设计今天面对的关键断点。。。

从前的 AI 分子设计并非没有突破。。。只是好多能力仍困在 “模态孤岛” 里：：：蛋白设计、、小分子天生与分子对接、、核酸结构建模，持久各自为战。。。

注：：：这里的 “模态” 不是文本/图像/音频，而是蛋白质、、小分子、、核酸等性命分子的分歧类别，能够看作是分歧类型的 “Token”。。。

这不是模型数量问题，而是表征方式、、训练数据和工作指标被切开之后，AI 很难在统一套框架里陆续理解和设计跨模态互作。。。

但真实性命系统从不按这些天堑运行。。。一个靶点场景中，多模态共存是常态。。。疾病机制的产生，也往往取决于分子之间若何鉴别、、结合、、调控和失衡。。。

既然性命问题天然跨模态，分子设计模型为什么还要被模态的天堑限度？？

从全模态分子设计

走向分子世界模型

“物理学里有四大根基相互作使劲。。。在这个框架下，生物分子之间的作用，性质上都能够理解为电磁相互作用的分歧阶发展。。！

也就是说，蛋白、、核酸、、小分子这些标签，是人类为了理解性命系统而划定的分类；但在更底层的原子尺度上，分子之间遵循的是统一的物理相互作用法规。。。

既然底层物理统一，学习分子互作的 AI，也不该被模态标签限度。。。

这套极具穿透力的底层诠释，来自一位 “很不单模态” 的年轻科学家。。。

张昊天本科阶段同时修读浙江大学物理学与药学，随后获得浙江大学医学硕士，并进入华盛顿大学推算机方向持续钻研。。。从物理的底层法规、、医学的性命表象，到推算机的建模推演，张昊天自己的学术轨迹，同时也是对 “突破天堑” 最活泼的注脚。。。

这样的交叉学科布景，让他既能从原子尺度理解分子作用，也能从模型视角重构分子设计问题。。。

此前，由张昊天作为一作兼共同通讯作者在临港尝试室结合上海浦江尝试室、、华盛顿大学、、哈佛大学、、MIT 等科研力量共同推动的ODesign开源科研项目，定位于全球首个面向全模态的分子设计基座模型。。。

论文地址：：：https://odesign1.github.io/static/pdfs/technical_report.pdf试用地址：：：https://odesign.lglab.ac.cn/

ODesign 试图把蛋白质、、DNA、、RNA、、小分子与离子等多模态实体放进统一套天生框架，让 AI 学习它们之间的相互作用，并在分子整体、、职能基序、、提醒原子三种粒度下，实现肆意两类分子之间的可控设计。。。

在张昊天看来，该项目要证明的不是 “一个模型能多做几类工作”，而是一个更底层的问题：：：若是性命分子的相互作用正本就是跨模态的，那么模型也必须具备跨模态学习和天生的能力。。。不然，任何单一模态的建模，性质上都是在用一个被截断的世界去近似真实系统，最终只能依赖大规模筛选来添补建模能力的不及。。。因而，基于钻研团队在分子设计模型上的钻研基础与持久堆集，ODesign 尝试在这一方向上做出索求：：：在同毕天生框架下，对蛋白质、、DNA、、RNA、、小分子与离子等分歧模态进行统一暗示，使模型可能在肯定水平上学习它们之间的相互作用，并支持跨模态的结合建模与设计。。。

ODesign 全模态天生框架示意，ODesign 将蛋白、、DNA、、RNA、、小分子与离子纳入同毕天生框架，支持分歧分子类型之间的 all-to-all 设计，并可在刚性或柔性靶标前提下天生指标结合分子。。。起源：：：《ODesign: A World Model for Biomolecular Interaction Design》

支持这一野心的，是一支 “从 2024 诺贝尔化学奖尝试室走出来” 的年轻科学家团队。。。

2024 年，David Baker 因 “推算蛋白设计” 获诺贝尔化学奖。。。ODesign 项目组三位主题成员：：：张昊天、、应可钧、、王佳淇，均来自于 Baker Lab。。。团队同时具备前沿 AI 建模能力、、推算蛋白设计训练布景和干湿闭环理解，是国内少数真正站在 AI4Science 与性命分子设计交叉处的团队。。。

统一表征与涌现

世界模型的雏形

理念上的跨模态，必须在工程上落地为统一表征。。。

ODesign 直面的第一个难题是：：：蛋白、、小分子、、核酸结构差距极大，若何让统一套模型真正 “读懂” 分歧分子？？

钻研团队的思路，是寻找分歧模态之间能够共享的 “最小化学天生单元”（MCGU）。。。模型不再把蛋白、、小分子、、核酸视为割裂对象，而是先拆解到统一的化学基元层面，再通过 Modality Token 和 Unit Token 进行表征。。。推理时，模型先萦绕共享基元天生，再补齐分歧模态特有的原子信息。。。

ODesign 的统一表征架构。。。 模型将分歧分子类型的最小化学天生单元抽象为统一 token，并通过 Pairformer 学习其与指标结构之间的相互作用，再由全原子扩散？？樘焐憧占湓际娜峁埂。。

这不只是工程技巧，更是实现跨模态迁徙的前提：：：只有在表征层买通壁垒，模型能力学到超过单一分子类型的通用互作法规，找到一种统一的 “分子说话”。。。

在这个基础上，ODesign 还构建了一套以结构预测为基础的天生式架构。。。团队先训练结构预测框架，再重构信息流和指标函数，让模型从 “预测这些分子会形成什么结构”，转向 “天生一个能按预期产生作用的新分子”。。。

前者是理解结构，后者是设计关系。。。

那么，这种统一表征是否真的带来了新能力？？

目前的验证了局显示，ODesign 的价值不只是 “一个模型能做更多工作”，而是它在分歧模态之间阐发出了迁徙能力。。。

在蛋白设计上，ODesign 首先证明自己能打。。。它在推算通量上较 RFDiffusion 提升约 10 倍，在 RFDiffusion2 的 AME 测试集上，ODesign-Flex 实现相较于RFDiffusion2 20 倍设计候选通量的提升。。。

更关键的验证在低数据模态——核酸。。。相比蛋白，核酸数据更少，成熟模型也更少。。。ODesign 在 RNA 单体设计上的成功率约为 RNAFrameFlow 的两倍；在训练集外的蛋白 - RNA 复合体零样本设计中，均匀成功率达到 77.9%。。。这注明它绝非 “蛋白模型披上全模态外套”，而是真正把蛋白场景中学到的互作法规，迁徙到了 RNA、、DNA 等低数据模态。。。

ODesign 在核酸设计工作中的跨模态迁徙验证。。。 在 RNA / DNA 单体天生与蛋白结合 aptamer 设计中，ODesign 展示出向低数据核酸模态迁徙互作法规的能力，其中 protein-binding RNA 工作体现了其零样本设计潜力。。。

小分子则更靠近药物研发场景。。。ODesign 在蛋白结合小分子工作上较 SurfGen 提升超过 40 倍，并覆盖 DNA/RNA 结合小分子设计。。。这不再是旧工作刷分，而是触及了传统小分子模型无法处置的盲区。。。

ODesign 在小分子设计工作中的阐发。。。 在蛋白、、DNA、、RNA 结合小分子设计中，ODesign 展示出跨靶标类型天生小分子的能力，起头覆盖传统专家模型更难处置的跨模态设计组合。。。

推算指标之外，最终还要看湿尝试，也就是在真实生物尝试系统中被检测、、筛选和确认。。。

据张昊天介绍，ODesign 已在 8 个靶点上获得 nM 级至 pM 级亲和力的候选分子。。。与 RFDiffusion、、BindCraft、、BoltzGen、、PXDesign 等步骤相比，ODesign 在 protein design 大将 binding affinity 提升数倍至数百倍。。。这标志取 ODesign 起头真正进入生物尝试系统。。。

统毕天生、、跨模态迁徙与尝试验证的跑通，正是 “分子世界模型雏形” 的价值地点。。。它证明模型终于凌驾了模态天堑，起头学习分子世界更底层的相互作用法规

从基座到闭环

重构科学发现的基础设施

但 ODesign 作为一个开源科研型项目，对团队而言还不是终点。。。作为一个原型机，它验证了统毕天生与跨模态迁徙的可行性，却距离一个真正的微观分子世界模型还有一段距离。。。除此之外，它尚未被封装成可规；、、可验证、、可容错的产业工具。。。真正的挑战在于：：：若何从一个能天生分子的模型，进化为一个能参加真实药物研发全流程的系统。。。

为解决这个问题，张昊天决定独立出来，结合应可钧、、王佳淇等志同道合的小同伴，共同缔造了英灵殿科技，并实现由五源资能力投的首轮融资

张昊天团队从技术蹊径启程，将这条路线拆解为三个清澈的台阶：：：AI4BioAI4AIAI4Phy

短期看，AI4Bio 是贸易化入口，从真实生物分子设计工作切入，服务药企和科研机构。。。在真实药物研发里，模型不能只看结合力，还要面对毒性、、渗入性、、免疫原性、、可合成性等多重约束。。。

中期看，AI4AI 指向自我迭代的科学智能框架。。。

今天 AI4Science 的一个现实困境是，好多模型能刷新 Benchmark，却很难真正说服客户。。。问题不只是了局不够好，也在于模型输出往往还是黑盒：：：它为什么这么设计？？凭据是什么？？失败了该往哪里改？？

AI4AI 想解决的，正是这个问题。。。它把非结构化文件、、尝试数据和模型输出整顿成可导航的知识拓扑，让模型不只是给一个答案，而是能萦绕如果提出、、归因评估和了局优化持续推理。。。

再往后，则是 AI4Phy，也就是自驱动尝试室。。。

模型天生候选，尝试系统进行合成、、纯化、、测试，了局再回到模型里，推动下一轮设计。。。这个循环一旦跑起来，模型就不再只是吃汗青数据，而是在真实反馈中持续校对自己。。。

这才是分子世界模型和通常天生模型真正拉开距离的处所。。。

通常天生模型能够给出候选。。。世界模型要理解的是：：：一个分子设计进入真实物理世界后，会产生什么，会失败在哪里，又该若何修改。。。

做到这一步，拼的就不只是模型能力，而是团队能否同时理解科学问题、、尝试反馈和产业流程。。。

这也是英灵殿团队结构值得关注的原因。。。张昊天横跨物理、、药学、、医学与推算机；CTO 应可钧占有哈佛生物医学与推算机布景，并有斯坦福医学院和 Baker Lab 博士后经历；结合首创人王佳淇则持久从事大模型与推算生物学交叉钻研。。。

这种交叉结构，正对应了 AI Biotech 最难的一环：：：模型天生出来的器材，必须被生物学问题界说，被化学规定约束，被尝试系统验证，最后还要被产业流程接住。。。

这支从 Baker Lab 走出来的团队，也让五源本钱愿意下注早期。。。投资人暗示，团队兼具算法能力、、性命科学理解、、干湿闭环能力和企业家心灵，是他们愿意持久陪同的科学创业力量。。。

当分子之间的相互作用起头被模型统一学习、、天生和验证，AI4Bio 的叙事逻辑正在产生变动。。。它不再只是更快地发现候选分子，而是让科学家以一种更可编程的方式提出如果、、天生设计、、进入尝试，再用真实了局反哺模型。。。

AlphaFold 让 AI4Bio 的第一场革命产生在“看见结构”，而英灵殿科技想挑战的，是下一步：：：让 AI 不只是理解性命分子若何相互作用，而是可能仿照、、设计微观世界的动态过程，最终走向对性命职能自身的仿照与重构