4个月融进1亿美元、建齐3座「数据发电厂」，这家TechBio要造一个生物世界模型

编辑｜吴昕 二十多年前，一种后来改变血液肿瘤治疗的化合物，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