二十多年前，一种如今广为人知的抗癌药物伊布替尼，最初在实验室中仅被视为普通工具化合物。它诞生于Celera Genomics，用于研究BTK激酶这一细胞信号网络中的关键节点。随着研究深入，这个化合物被以极低价格转让给濒临破产的Pharmacyclics，最终在2013年以治疗B细胞肿瘤的重磅药物身份获批上市，为新东家创造了上百亿美元的商业价值。
这段充满戏剧性的研发历程，被美国财经记者Nathan Vardi记录在《血色财富：抗癌药背后的利益与梦想》一书中。书中提出的反事实假设引发行业思考：如果当时研发团队拥有今天的AI技术，伊布替尼的发现周期是否会大幅缩短？Pharmacyclics的史诗级"捡漏"是否还能上演？
在AlphaFold技术突破后的新时代，AI制药领域正经历从分子识别到分子设计的范式转变。头部企业开始构建药物设计引擎（DDE），通过算法优化使生成分子更接近成药标准，而非简单随机组合。这种技术进化使得分子推进至临床阶段的成功率显著提升，研发周期大幅压缩。
原生AI生物科技公司寻明生科近期完成1亿美元B轮融资，距离上轮融资仅隔四个月。该公司正在搭建横跨数字与生物世界的药物发现平台，其核心是通过真实实验数据持续反哺算法模型，形成"设计-验证-优化"的闭环系统。这种模式被创始人赵伟安比喻为"用特斯拉方式重构传统制药流程"。
抗体药物正成为AI制药领域的新焦点。相较于传统小分子药物，抗体药物具有更明确的商业价值和临床验证路径。随着双抗、多特异性抗体等新型疗法的兴起，研发复杂度呈指数级增长，这恰好为AI技术提供了施展空间。抗体由氨基酸序列构成，其DNA编码特性使得高通量合成与测试成为可能，为"算法筛选+实验验证"模式提供了基础条件。
小分子药物研发面临更严峻的挑战。计算机设计的分子结构与实际合成之间存在显著差距，化学合成路线的复杂性导致设计成功率较低。更深层的问题在于数据质量——小分子历史数据多来自人工实验记录，存在碎片化、路径依赖等缺陷，不利于AI模型提取普适性规律。这与抗体领域基于自然进化数据的规模化训练形成鲜明对比。
寻明生科构建的Lab-in-the-Loop系统，通过单细胞微流控技术将实验反应空间缩小至微米级，使单个细胞产生的抗体量即可满足功能检测需求。这种超高通量平台可同时运行百万级反应，将分子表征成本降低数个数量级。公司在加州建立的三个大型实验室，持续为算法模型输送真实世界的功能数据，形成"干湿实验"双重闭环。
其核心生物基座模型AuraIDE，突破了传统蛋白质结构预测的范畴，延伸至抗体-抗原复合物预测、分子相互作用建模等领域。该模型采用全原子建模方式，将蛋白质主链与侧链拆分为不同标记单元，更精准地捕捉三维结构特征。这种设计使其在抗体-抗原复合物预测任务中，DockQ成功率达到76.1%，显著优于AlphaFold3的47.9%。
在模型训练方面，AuraIDE将结构预测与从头设计纳入统一框架，参数规模达7亿（是AlphaFold3的两倍），训练数据规模超过1000亿标记单元。通过持续接入高通量实验产生的功能数据，模型不断优化对生物规律的理解，形成"设计-验证-迭代"的增强循环。这种技术路径使得模型能够从预测分子结构，进化到主动设计满足特定功能的新分子。
面对行业质疑，寻明生科选择开源部分底层能力（OpenDDE），允许外部机构验证其技术实力。这种"试驾"策略既展示了算法优势，又保护了核心数据资产。公司同时推进"技术合作+资产交易"的双重商业模式：一方面为药企提供定制化开发服务，另一方面通过管线合作实现药物资产变现。目前已有十数条在研管线，其中1款药物即将进入临床阶段，2款处于IND开发阶段。
在技术纵深方向，该公司正探索构建"生物世界模型"，试图从海量组学数据和实验结果中挖掘未知生物规律。这种模型不再局限于静态分子结构分析，而是通过动态干预实验，理解生命系统的复杂响应机制。其终极目标是通过AI技术，打开传统认为"不可成药"的靶点空间，为药物研发开辟新的可能性边界。
