公司战略与资本运作 - 沃森生物董事会同意联合国投创益、玉溪国有资本运营有限公司及中央企业乡村产业投资基金股份有限公司共同发起设立云南创沃生物产业投资基金 [1] - 基金目标规模为10亿元人民币，其中沃森生物以自有资金出资4.5亿元人民币，为有限合伙人 [1] 基金投资方向 - 基金具体投资领域包括合成生物学，如酶制剂、氨基酸、益生菌等 [1] - 基金投资领域包括生命大健康，如植物提取、重组胶原蛋白、甜味剂、蛋白药物等 [1] - 基金投资领域包括生物农业，如饲用蛋白、微生态制剂、动物疫苗、生物固氮等 [1] - 基金投资领域包括生物能源，如生物乙醇、生物柴油等 [1] - 基金投资领域包括生物材料，如PLA、PHA、PDO等 [1] - 基金投资领域包括技术平台型企业，如菌种开发、AI蛋白质设计等 [1] - 基金投资领域包括高通量设备，如微流控设备、基因测序设备等 [1]

行业技术突破 - 诺奖得主David Baker团队的最新研究展示了一项重要突破：利用条件性RFdiffusion模型设计能够高亲和力结合亲水性蛋白质靶点的结合蛋白 [4] - 该技术的设计策略是通过条件性RFdiffusion生成与靶蛋白边缘β链形成几何匹配的扩展β片层结构，并特别设计氢键基团来互补靶蛋白上的极性基团 [5][6] - 实验验证表明，该技术针对KIT、PDGFRɑ等多个重要蛋白靶点设计了蛋白结合剂，获得了皮摩尔到纳摩尔级的高亲和力，且表现出高度特异性，KIT复合物晶体结构与设计模型高度一致 [9] - 此项技术突破了传统计算蛋白质设计的局限，显著扩展了可设计蛋白结合剂的靶标范围，特别是解决了针对亲水性相互作用表面的挑战，对于药物开发和蛋白质功能研究具有重要价值 [7] 培训课程概览 - 文章主体内容为推广一系列与AI蛋白质设计、合成生物学及计算机辅助药物设计相关的线上培训课程，宣称AI蛋白质设计是2026年最受关注的技术 [7] - 课程主办方宣称已联合清华大学、北京大学、西湖大学、浙江大学、中国科学技术大学、天津大学、协和药物研究所、上海药物研究所举办培训六十七期，参会学员达**7000余人**，学员好评极高，其中不乏论文发表于Nature、Cell、Science等国际顶刊 [7] - 主要开设六大课程：AI蛋白质设计线上直播课、AI抗菌肽设计线上直播课、合成生物学与基因线路设计线上直播课、CADD计算机辅助药物设计线上直播课、AIDD人工智能药物发现与设计系统培训录播课、AIDD人工智能药物发现与设计进阶顶刊复现录播课 [8] AI蛋白质设计课程内容 - 该课程旨在教授2026年最新最前沿的蛋白质设计工具及流程，让学员快速掌握David Baker的核心方法 [12] - 培训内容涵盖蛋白质结构预测（实操AlphaFold2、AlphaFold3、pymol、Foldseek）、蛋白质大语言模型（实操ESM系列、ProGen）以及多种蛋白质设计方法（实操ProteinMPNN、LigandMPNN、Rfdiffusion、RFdiffusion3等） [12] - 课程为期六天，理论结合实操，提供服务器使用，并讲解十二篇Nature/Science/Cell/JACS顶刊文献，以让学员了解当下蛋白质设计的核心热点与优势 [12] - 详细课程大纲分为六个部分，包括：蛋白质相关的深度学习简介、深度学习与蛋白质结构预测、固定主链蛋白质序列设计、深度学习蛋白质结构设计、面向功能的蛋白质序列设计、基于深度学习的蛋白质挖掘与改造应用 [12][16][21][24][28][32] AI抗菌肽设计课程内容 - 该课程聚焦于利用生成式人工智能设计抗菌肽，以应对抗生素耐药性挑战 [35] - 课程将精讲并复现基于蛋白质语言模型嵌入的潜在扩散模型——AMP-Diffusion，该模型由宾夕法尼亚大学和杜克大学研究人员合作开发，能够通过探索序列空间快速发现具有广谱抗菌活性（包括对多重耐药菌株）且低细胞毒性的候选抗菌肽 [35] - 课程内容分为五个部分，涵盖：基础环境与抗菌肽入门、Python编程基础与AMP-Diffusion架构解读、AMP-Diffusion模型实践与序列生成、计算筛选排序与设计验证、AMP-Diffusion论文精解与实战复现 [37][41][47][50][53] 合成生物学与基因线路设计课程内容 - 该课程旨在帮助学员建立将基因线路设计应用于解决真实科研与产业问题的能力，讲师具备横跨原核生物、真核模型到哺乳动物细胞系统的广谱跨物种实战经验 [57] - 课程设计分为五个核心部分，引导学员完成从工程思维建立、工具使用、诊断调优到智能设计与计算驱动设计的完整学习路径 [58][70][91][100][112] - 课程包含大量实操案例，如“番茄红素工程菌设计”、“动态基因线路（Toggle Switch）构建与模拟”、“利用无细胞系统进行通路快速优化”以及“使用计算工具（如FBA、ODE建模）预测和优化细胞行为” [63][87][107][113][120] CADD计算机辅助药物设计课程内容 - 该课程旨在系统讲解计算机辅助药物设计的核心原理与操作流程，涵盖从分子建模、虚拟筛选到分子动力学模拟的完整技术体系 [129][130] - 课程分为六个部分，内容包括：pymol使用与一般蛋白-配体分子对接、虚拟筛选、多类型分子对接（蛋白-蛋白、蛋白-金属离子、蛋白-DNA/RNA）、蛋白-蛋白相互作用预测、Linux下的分子动力学模拟、以及CADD驱动的抗体与酶工程设计实战 [131][138][147][156][158][163] AIDD人工智能药物发现课程内容 - 该系列包含系统培训录播课和进阶顶刊复现录播课，目标是让学员掌握人工智能在药物发现中的应用，具备AIDD模型构建和数据分析能力 [170][171] - 系统培训课程内容涵盖AIDD概述、环境搭建、RDKit工具包使用、药物数据库获取、以及深度学习（神经网络、图神经网络、Transformer）在药物设计中的基本原理与应用 [174] - 进阶顶刊复现课程则侧重于深度学习在化学反应预测、分子生成（如使用扩散模型、NLP）、以及将AI方法应用于真实药物研发场景（如酶工程、高亲和力小分子筛选）的案例分析与复现 [172][173] 讲师背景 - AI蛋白质设计课程主讲老师来自国内超顶尖课题组，在学术界和工业界均有丰富算法开发应用经验，主要从事蛋白质结构预测和设计研究，相关工作成果已在PNAS、Angew. Chem. Int. Ed.、Nature、Science等期刊发表，其课题组已发表文献**300余篇** [177] - AI抗菌肽设计课程主讲老师来自南开大学院士课题组，从事AI抗菌肽设计和蛋白质设计研究，成果发表于New England、Plos one等期刊 [178] - 合成生物学课程主讲老师为拥有海外背景的合成生物学专家，拥有6年基因线路设计经验，曾于中科院合成生物学重点实验室工作，目前致力于工业界代谢工程应用 [179] - CADD课程主讲老师来自江南大学，具备大量CADD及分子模拟项目经验，熟练掌握AutoDock Vina、Schrödinger、GROMACS、AlphaFold3、RFdiffusion等工具 [180] - AIDD课程主讲老师来自天津大学，拥有十余年计算机算法研究和程序设计经验，研究方向涉及深度学习药物发现和药物合成路径设计，发表SCI高水平论文**10篇** [181] 课程安排与费用 - 各直播课程授课时间集中在2026年1月至2月，通过腾讯会议线上直播，采用理论+实操模式 [183] - 课程费用根据公费或自费有所不同：AI蛋白质设计直播课公费价**6880元**/人，自费价**6380元**/人；其他直播课（AI抗菌肽设计、CADD、合成生物学）公费价**6380元**/人，自费价**5880元**/人 [184] - 录播课程（AIDD系统培训与进阶顶刊复现）公费价**4980元**/人，自费价**4680元**/人 [185] - 推出多项优惠：报二送一、提前报名缴费可享**800元**优惠（限前15名）、报名直播课赠送往期课程回放等 [8][185]

公司融资与资金用途 - 杭州力文所生物科技有限公司于12月9日成功完成数千万人民币Pre-A轮融资 [1] - 本轮融资由金雨茂物领投，君科丹木跟投，舟渡资本担任独家财务顾问 [1] - 融资资金将主要用于加速其全原子模型蛋白质设计平台Pallatom的技术迭代、商业化产品管线的拓展以及全球化人才的引进 [1] 技术与平台突破 - 公司的全原子模型蛋白质设计平台Pallatom在全球首次解决了混旋性环肽设计难题 [1] - 该技术突破为新一代环肽药物的管线开发开辟了新路径 [1] 行业地位与定位 - 公司是AI蛋白质设计领域的领先企业 [1]

文章核心观点 - 研究团队利用新一代生成式AI蛋白质设计工具RFdiffusion2，成功实现了高性能锌金属水解酶的“零样本”从头设计，其催化效率比此前设计的酶高出上千倍，且无需实验改造，标志着定制化催化剂开发取得重大突破 [2][3][18] 传统酶设计的瓶颈 - 金属水解酶在降解环境污染物等领域至关重要，但传统设计方法（如蛋白质工程改造或早期计算工具）产生的酶活性低，需大量实验筛选和定向进化才能达到实用水平 [7][8] - 团队此前开发的AI设计工具RFdiffusion，因需预先指定催化氨基酸残基的序列位置和主链坐标，限制了设计空间的探索 [8] RFdiffusion2的核心技术创新 - 新一代工具RFdiffusion2采用两大核心创新：原子级子结构支架设计（仅需指定关键功能基团位置）和序列位置无关的支架设计（无需预先指定催化残基序列位置） [10] - 该工具采用流匹配（Flow Matching）取代扩散模型，通过训练中使用随机天然原子坐标，能探索更大设计空间，AI可自行决定氨基酸数量、位置及协作方式 [10] 高效金属水解酶的设计过程与成果 - 研究以设计水解4-甲基伞形酮苯乙酸酯的锌金属水解酶为目标，使用密度泛函理论确定反应过渡态几何结构 [13] - 首轮设计从5120次AI推理轨迹中筛选，最佳设计ZETA_1的催化效率高达16000 M⁻¹s⁻¹，比之前设计的金属水解酶高出三个数量级（上千倍） [13] - 基于首轮经验改进策略后，第二轮设计的成功率大幅提升：在96个设计中，11个显示出显著锌依赖性水解活性 [15] - 第二轮最佳设计ZETA_2的催化效率高达53000 M⁻¹s⁻¹，催化速率常数达到1.5 s⁻¹，且设计展现了多样化的底物结合模式 [15] - 蛋白晶体结构解析证实，实验结构与设计模型高度吻合，为设计准确性提供了直接证据 [15] 研究的深远影响与行业前景 - 所设计酶的催化效率达到10³-10⁴ M⁻¹s⁻¹，与天然金属水解酶相当，远超所有先前设计 [18] - 结合PLACER和Chai-1的评估方法，能有效识别最活跃设计，显著提高了设计成功率 [18] - RFdiffusion2的设计方法通用性强，适用于多种化学反应，有望推动整个酶设计领域、合成生物学及绿色化学的发展 [18]

AlphaFold2的技术突破与科学影响 - 谷歌DeepMind推出的AlphaFold2于2020年11月问世，能够仅根据氨基酸序列精准预测蛋白质三维结构，其上一代版本2018年发布但预测准确率有限[3] - 2021年7月DeepMind团队在Nature期刊发表论文公布AlphaFold2开源代码和完整方法论[4] AlphaFold2的实际应用案例 - 维也纳大学Andrea Pauli团队利用AlphaFold-Multimer（2021年10月推出）发现精子和卵子结合中关键的三种蛋白质TMEM81、IZUMO1和SPACA6，颠覆之前认为只需两种蛋白质的观点[7][8] - 该研究发现TMEM81-IZUMO1-SPACA6蛋白质复合物分别与哺乳动物卵子上的JUNO蛋白或鱼类卵子上的Bouncer蛋白结合，介导精子-卵子结合[10] - Andrea Pauli表示AlphaFold加快了发现速度，如今每个项目都会使用该工具[12] AlphaFold2的全球采用数据 - 全世界190多个国家的约330万用户访问了EMBL-EBI托管的AlphaFold数据库，其中超过100万用户来自低收入和中等收入国家[15] - 该数据库包含超过2.4亿个蛋白质结构预测结果，涵盖地球上几乎所有已知蛋白质[15] - 描述AlphaFold2的Nature论文已获得接近4万次引用，研究人员兴趣未减退[12] - 超过20万项研究直接或间接使用AlphaFold，涉及近80万名科学家工作[24] AlphaFold2的行业影响 - 结构生物学领域使用AlphaFold的研究人员向蛋白质数据库提交的蛋白质结构数量比未使用者高出约50%[18] - 在计算生物学领域，几乎每场学术会议报告都会提到AlphaFold，在AI辅助药物发现和AI蛋白质设计等计算密集型领域有良好应用[21] - AlphaFold开辟了新的研究方向——AI蛋白质设计，带来了新的关注和资金投入[21] - AlphaFold2开始帮助研究人员解开疾病生物学机制，2024年发布的AlphaFold3能预测潜在疗法与蛋白质相互作用，更有助于药物发现[24]

研究背景与核心突破 - 传统胰岛素疗法存在局限性，包括复杂的生产过程、严格的储存条件、可能促进癌细胞增殖以及对部分遗传性胰岛素抵抗患者无效 [2] - 研究团队利用基于AI的蛋白质从头设计方法，生成了全新的胰岛素受体激动剂（AI胰岛素），其降血糖效果优于胰岛素，并能精准调控信号通路，避免促进癌细胞生长 [3][5] 技术原理与设计策略 - 研究策略不再局限于天然胰岛素结构，而是从头设计两种分别结合胰岛素受体L1结构域（site-1）和F1结构域（site-2）的蛋白，并通过不同长度的连接链将其连接形成全新激动剂分子 [5] - 通过调整连接链的刚性实现对信号通路的精确控制，刚性连接设计可同时激活代谢（AKT通路）和细胞生长（MAPK通路），而柔性连接设计则主要激活代谢通路，大幅减少对细胞生长的刺激 [7] 产品性能优势 - 新设计的胰岛素受体激动剂具有更强的热稳定性，在95°C高温下仍能保持稳定，简化了储存和运输要求 [7] - 在小鼠实验中，RF-409分子降血糖效果比胰岛素更有效，仅需一半剂量即可达到相同效果，且作用时间更长，单次注射可使血糖维持低位达6小时，而胰岛素在2小时内血糖即开始回升 [7] - 新分子能够激活某些胰岛素抵抗患者体内的基因突变异构受体，为罕见遗传性糖尿病带来新治疗希望，并且在正常细胞中有效激活受体，但在乳腺癌细胞中无法发挥作用，可能大幅降低传统胰岛素治疗的潜在癌症风险 [8] 商业应用与公司发展 - 该研究团队创立了Lila Biologics公司，致力于利用AI蛋白质设计开发突破性疗法，主要研究方向包括AI设计的放射性配体疗法用于癌症治疗，以及AI设计的长效注射剂用于非癌症疾病治疗 [10] - 2025年9月，Lila Biologics公司与国际制药巨头礼来达成合作，旨在发现、开发和商业化用于实体瘤成像和治疗的新型放射性配体疗法（RLT） [11]

研究核心突破 - 开发出能够精确控制蛋白-蛋白相互作用时间动态的全新设计方法 实现秒级精确调控细胞信号转导过程 [3] - 该技术代表蛋白质设计领域的范式转变 从静态结构设计扩展到动态动力学控制 [22] - 核心创新在于设计特殊铰链蛋白 利用效应物诱导构象变化实现蛋白复合物的快速解离 解离速率提升高达5700倍 [10][11][12] 技术原理与优势 - 突破传统蛋白质设计只关注稳定基态的限制 转向设计高能量的激发态以控制相互作用动力学特性 [7] - 使用柔性肽段作为效应物效果优于刚性效应物 因其可像弹簧一样存储和释放能量推动构象变化 [10] - 设计蛋白的实际结构与理论预测高度吻合 最大偏差仅1.3Å 证实设计的精确性 [12] 应用前景与案例 - 快速生物传感器应用：开发的SARS-CoV-2传感器响应时间仅需30秒 比之前基于构象选择机制的传感器快70倍 [14] - 动力学控制电路应用：构建蛋白质水平链式反应 实现信号高效传递和放大 [15] - 免疫治疗应用：设计可快速开关的IL-2模拟物 通过精确控制信号持续时间发现短暂刺激与持续刺激产生不同生物学效应 [18][19] - 该技术具有通用性 只需将铰链开关与任何蛋白质结合剂融合即可动态调控蛋白-蛋白相互作用 [22]

公司融资与资本动态 - 途深智合完成千万元级人民币天使+轮融资，由上海天使会联合投资，老股东诚美资本持续跟投 [1] - 融资资金将用于AI蛋白质平台的研发和产品创新加速 [1] - 公司成立仅三个月时获得由诚美资本与光子芯谷共同投资的数百万元天使轮融资 [3] - 截至目前，公司已完成四轮融资，诚美资本旗下基金已连续参与三轮 [3] - 以2025年9月为基准，后续2年的融资预测概率为30.25% [3] 公司技术与研发进展 - 公司专注于人工智能蛋白质设计领域，以AI超智能技术推动高价值蛋白及相关产品的设计与产业化 [2] - 已建立聚焦生物医药领域的科学智能体平台，实现抗体设计的智能化与自动化，包括ProteinNova蛋白设计AI科学家和蛋白表达测试两大平台 [2] - 基于国产芯片超智能技术，自主研发多款蛋白设计闭源模型，并对多种垂直开源SOTA模型进行深度优化 [2] - 在兔单克隆抗体亲和力改造方面，成果已优于欧洲头部医药公司的商用抗体 [3] - 在酶改造方面，氧化还原酶活性AI首轮设计即提高380%，核酸酶的活性提高800% [3] 团队背景与构成 - 公司为学院派创业企业，创始人王宇光为上海交通大学自然科学研究院副教授，并兼任上海人工智能实验室及新南威尔士大学悉尼分校的兼职副教授 [2] - 创始人研究方向涵盖人工智能、应用数学与统计学，及其在合成生物学和蛋白质设计等领域的应用，在国际顶级期刊和会议上发表论文100余篇 [2] - 核心团队汇聚人工智能与生物技术领域专业人才，成员多来自上海交通大学、约翰霍普金斯大学、清华大学、剑桥大学等知名高校及研究机构 [2] 全球AI蛋白质行业格局 - 全球蛋白质设计市场发展迅猛，高效精准的蛋白质设计成为新药开发、工业酶催化及生物材料制备的竞争高地 [4] - 布局AI蛋白质领域的企业主要集中在中国与美国，中国拥有约30家相关企业，海外则有25家主要公司 [5] - 企业技术方向可分为专注于AI蛋白质结构预测与设计，以及聚焦于AI蛋白质组学两类 [5] - 绝大多数企业的核心技术均溯源至高校或科研机构的实验室 [5] 中外技术发展路径差异 - 海外企业注重基础大模型突破，为AI+蛋白领域提供“科研大脑”，例如DeepMind公司的AlphaFold程序解决了蛋白质折叠问题 [6] - 中国企业致力于打造“产业躯干”，强调技术实用性与产业化效率，例如分子之心公司的AI蛋白质设计平台MoleculeOS可大幅降低使用门槛 [6] - AI蛋白质设计技术在新药研发、精准医疗及合成生物学等领域展现出广阔应用前景 [6]

技术突破 - 开发名为BindCraft的开源自动化蛋白质从头设计平台 实现功能性结合蛋白的一次性计算设计 无需实验优化或高通量筛选 [2][3] - 通过逆向改造AlphaFold2模型 利用反向传播算法从目标蛋白结构直接生成匹配的全新结合蛋白 颠覆传统耗时数月且成功率不足1%的方法 [2][5] - 采用动态建模同步优化靶点与结合蛋白结构 智能进化迭代优化表面氨基酸 双重过滤机制确保设计可靠性 [5] 性能表现 - 设计成功率高达10%-100% 平均达46.3% 结合强度达纳摩尔级 相当于抗体药物水平 [2][3][5] - 成功靶向细胞表面受体(PD-1/PD-L1/IFNAR2/CD45) 常见过敏原(Bet v1/Der f7/Derf 21) 从头设计蛋白质及多结构域核酸酶(CRISPR-Cas9) [3][7] 应用验证 - 设计桦树花粉过敏原Bet v1结合蛋白 患者血清测试显示阻断50%过敏抗体结合 [7] - 针对尘螨过敏原Der f7和Derf 21设计的结合蛋白 晶体结构证实与设计模型误差仅0.3纳米 [7] - 设计Cas9抑制蛋白精准结合REC1核酸结合域 显著降低HEK293细胞基因编辑活性 [8] - 中和产气荚膜梭菌穿孔毒素CpE 完全消除毒素导致的细胞死亡 效果等同天然抑制剂 [8] - 设计靶向HER2和PD-L1的微型结合蛋白整合至AAV衣壳 实现特异性靶向癌细胞 [8] 行业影响 - 实现"one design-one binder"方法突破 在治疗学 诊断学和生物技术领域具有巨大潜力 [3][9] - 开源技术使普通实验室可设计定制蛋白质 有望重塑药物开发 疾病诊断和治疗领域未来 [9]

核心观点 - AI设计的蛋白质能有效抑制大肠杆菌等抗生素耐药细菌的生长 [1][3] - 该研究开创了"非抗生素"抗菌新范式 通过阻断细菌获取必需营养素来抑制其生长 [27][28] - AI蛋白质设计平台大幅缩短研发周期 传统方法需数月甚至数年的工作可在极短时间内完成 [19] 研究背景 - 大肠杆菌等致病菌通过ChuA蛋白从宿主血红蛋白中"偷"血红素获取生长所需的铁 [2][9] - 宿主会启动"营养免疫"机制隔离游离铁 成为细菌生长的限制性因素 [10] - 细菌演化出多种策略获取铁 包括利用ChuA外膜转运蛋白从血红蛋白中"偷"血红素 [11][12] 研究方法 - 研究团队通过冷冻电镜 X射线晶体学等技术解析ChuA"偷"血红素的机制 [15] - 发现ChuA通过胞外环7和8与血红蛋白二聚体相互作用 主要通过组氨酸残基结合血红素 [15] - 利用RFdiffusion和ProteinMPNN等AI算法从头设计能特异性结合ChuA的蛋白质 [18] 研究成果 - AI设计的蛋白质与ChuA结合结构和计算预测高度吻合 晶体结构与AI模型的均方根偏差仅为0.6Å [20] - 筛选96个AI设计的蛋白质即发现多个低纳摩尔浓度抑制剂 G7的IC50值低至42.5nM [21] - 设计的蛋白质像"分子锁" 精确阻断血红蛋白与ChuA结合 阻止血红素提取 [22] 技术优势 - AI蛋白质设计平台采用端到端方式创建多种蛋白质 是澳大利亚首个模拟诺奖得主David Baker工作的平台 [7] - 平台使用全球科学家可免费使用的AI驱动蛋白质设计工具 推动领域发展 [8] - "设计-筛选"高效模式颠覆传统蛋白质药物研发试错模式 为抗菌药物快速迭代提供可能 [24] 行业影响 - AI在蛋白质合成方向取得核心进展 从结构预测进入"AI造蛋白"时代 [31][32] - 构建"设计-建造-测试-学习"闭环系统 大幅提升蛋白质合成效率与规模 [35] - AI驱动的精准蛋白质设计可能重塑抗菌药物研发模式 推动"按需定制"治疗方案发展 [37]