AI驱动的材料科学范式变革 - 材料科学正在告别漫长且昂贵的“盲筛时代”，AI正加速改变新药、新材料等行业的开发范式 [2][3] - AI For Science热潮持续，但市场逐步回归理性，尽管AI生成和优化分子结构的难度大幅降低，但研发首尾两端的挑战尚未发生质变 [3] 公司MetaNovas概况与融资 - MetaNovas（元星智药）近期完成A+、A++两轮融资，由富华资本、高瓴资本、袋鼠妈妈集团等消费健康产业资本共同投资 [3] - 此前A轮融资由高瓴创投、宝顶创投联合领投，若羽臣跟投 [3] 公司技术平台与核心优势 - 公司构建了以Agentic AI（智能体人工智能）为核心的系统级操作平台，在高度不确定的研发环境中进行多目标决策，兼顾性能、工艺、法规等，从源头降低商业落地成本 [3] - 在“AI智能研发组织”推动下，其开发最快的生物活性原料在12个月内完成了从概念提出到人体功效测试的全流程 [4] - 公司自研了分子语言生成大模型作为底层生成引擎，能够跨模态表征多肽、聚合物、小分子等，覆盖超过10^60的化学空间，分子生成有效率超95% [4] - 公司开发了针对材料理化性质的性能预测模型，为分子筛选提供依据 [4] - 公司开发了文献挖掘、分子生成、性能预测、实验规划、市场和商业化等AI智能体，覆盖新材料开发全流程 [7] 研发效率与成果 - 传统路径下，开发一个消费型新材料约需3-5年时间 [3] - AI智能体在全链条的应用使公司保持精简高效团队，并能支持快速增加的管线所需人力 [4] - 在Agent系统赋能下，公司平台推荐分子的首次成功率超过60%，大幅降低试错成本与迭代次数 [8] - 公司开发的Senoreversing（衰老逆转）肽仅测试42个肽分子、经过2轮迭代即完成实验验证，并获得联合利华等品牌商关注 [8] - 由AI设计的杀菌消炎新分子AMP33已取得医疗器械主文档备案 [8] 数据与算法迭代 - 提升模型精度的关键是高质量数据积累及基于实验数据自动迭代的active learning系统 [5] - 训练数据主要包括三类：文献与专利数据、与学术机构合作授权的实验室数据、内部实验平台产生的高通量湿实验数据 [5] - 自有实验平台积累了成功的验证数据和“失败”的负样本数据，这些稀缺的内部反馈让AI系统迭代更加精准 [5] 团队构成与背景 - 当前团队AI算法专家、生物学团队、转化团队各占1/3 [4] - 创始团队具有AI、生物医药与计算材料复合背景 [4] - 联合创始人兼CEO王梅杰曾在英伟达硅谷总部任职，开发用于生物计算的人工智能基础设施 [4] - 首席技术官余论是MIT核科学与工程及AI方向博士，曾在美国UnitedHealth Group担任首席数据科学家 [4] 市场与商业化策略 - AI智能体在市场洞察环节会抓取消费品渠道的真实数据进行前瞻性分析，在实验设计前结合市场方向排除过度竞争赛道，引导研发走向更具差异化和市场潜力的方向 [7] - 公司管线开发方向正在拓展，包括生物活性成分、医用材料、功能聚合物、光化学成分、气味与风味成分等 [8] - 工艺放大和生产方面，主要与CDMO深度合作，成立合资公司进行定向生产转化 [8] - 商业上，多采用与品牌商联合开发、进行材料供应等模式开展 [8]