从预测一个分子，到设计一个药物。过去几十年，抗体药物发现的核心逻辑并没有发生根本改变。无论是杂交瘤技术、噬菌体展示，还是单B细胞筛选，本质上都在回答同一个问题：如何从巨大的分子空间中，找到那个足够好的抗体？过去几十年的抗体发现不断走向规模化，我们不断构建更大的抗体库、更高通量的筛选体系、更复杂的实验平台——从千鼠万抗的杂交瘤筛选，到百亿级展示库的定向探索，本质上都是希望通过扩大搜索空间，提高发现优质候选分子的概率。
理论上的抗体序列空间几乎无限，而现实中能够被合成、表达并通过实验验证的分子，只占其中极其微小的一部分。真正限制抗体发现效率的，也许从来不是我们能够产生多少序列，而是我们是否知道，哪些序列值得被创造。AI正在改变这个问题，而大湾生物希望再向前走一步。如果AI不仅能够预测一个抗体的性质，而是开始理解什么样的分子更可能成为药物，会发生什么？这正是大湾生物构建AI驱动的生物药发现平台的起点。
1. 从筛选走向设计
传统抗体发现，是一个典型的“先产生、再筛选”的过程。产生大量候选分子，通过实验不断筛选、验证、淘汰，最终逐渐收敛到少数候选物。这种模式推动了抗体药物产业的发展，也建立了成熟的研发体系。
但随着靶点复杂度提升、多特异抗体和新型生物药不断发展，传统依赖规模扩张的方式正在面临新的挑战。因为更大的库，并不一定意味着更好的答案，更多的实验，也不一定意味着更快的发现。
AI带来的变化，并不只是让这个过程更快，更重要的是，它开始改变搜索本身。大湾生物正在尝试建立一种新的抗体发现路径：靶点生物学解析 → 分子设计假设 → AI智能设计 → 实验验证 → 生物学反馈 → 新一代分子优化。在这个过程中，AI不再只是研发流程末端的一个预测工具，它开始进入分子产生的源头，大湾生物由此建立了以AlfaBodY和AlfaDAX为核心的AI抗体发现与分子工程体系，但这套体系真正重要的部分并不是某一个模型，甚至不是某一种算法，而是模型背后的系统。
▲图1：AlfaBodY平台聚焦抗体从0到1的智能设计，通过AI算法探索更具潜力的抗体序列
▲图2：AlfaDAX平台面向抗体分子优化，在亲和力、人源化及成药性等多个维度进行综合优化
2. Biology-native AI：不仅是一个模型，而是一套系统
今天，AI已经可以生成蛋白质序列、预测结构、分析分子性质。于是，一个自然的问题出现了，是不是模型足够大、参数足够多、训练数据足够丰富，就能够设计出更好的药物？
大湾生物的答案并没有这么简单，因为生物药研发从来不是一个单变量问题。一个真正具有开发潜力的抗体，需要同时面对多个彼此关联、甚至彼此冲突的约束，包括结合能力、表位特征、功能活性、特异性、稳定性、聚集风险、黏度特性、表达能力、成药性潜力等。一个在某个指标上接近“完美”的分子，完全可能在另一个维度失去成为药物的可能性。
因此，大湾生物没有试图寻找一个解决所有问题的超级模型，我们选择了另一条路径——一套围绕真实生物学规律构建的专业化AI引擎体系。针对不同的生物学问题，建立不同的算法能力，让这些能力在真实项目中持续验证，再让不同任务产生的知识，在同一个平台中不断积累。我们将这一体系称为Biology-native AI，它不是让AI脱离生物学去“想象”一个药物，而是让AI在真实的生物学约束中，逐渐学习如何设计一个药物。
3. 更多数据未必意味着更多信息
过去十年，AI领域形成了一个极具影响力的范式，更大的数据+更大的模型+更多的计算=更强的能力。但生命科学可能有所不同，公开数据库中存在海量蛋白质序列和结构信息。然而，对于药物设计而言，真正有价值的问题往往不是这个蛋白长什么样？而是为什么这个序列发生一个变化后，活性提高了？为什么两个亲和力相似的抗体，在可开发性上表现完全不同？为什么一个计算上看起来优秀的分子，在真实实验中失败了？这些问题背后的数据往往没有那么“大”，甚至可能只是几十个序列、几组突变、一次表达结果或者一次失败的实验，但它们拥有另一种属性——高信息密度（High Information Density）。
因此，大湾生物关注的不只是大数据，我们更加关注高质量、高价值的生物学数据。这些来自真实研发过程的数据，具有明确的实验条件、分子背景和生物学结果。更重要的是它们能够告诉AI什么有效，什么无效，以及为什么，这可能比单纯增加数据规模更加重要。
4. 每一次实验都不应该只产生一个实验结果
传统研发体系中，一次实验通常只有一个直接目的，判断这个分子是否值得继续。在AI驱动的研发体系中，大湾生物希望一次实验至少产生两种价值，第一种价值是评价分子，第二种价值是让系统学习。
大湾生物将计算设计与实验验证构建为一个持续循环，AI设计 → 聚焦式实验验证 → 生物学反馈 → 主动学习 → 下一轮设计循环。AI提出假设，实验验证假设，实验结果重新定义下一轮需要探索的分子空间。
一个项目的终点，也可能成为另一个项目的起点。在大湾生物内部，我们越来越少把AI理解成一个单独的软件工具，我们更愿意把它看成一个不断学习的设计引擎，真正有价值的AI系统，并不是替代实验，而是让每一次实验，都成为下一轮设计能力提升的一部分。
5. 不是多生成序列，而是少做无效实验
AI生成蛋白质序列正在变得越来越容易，未来生成一百万条甚至一亿条序列，可能都不再是一件困难的事情，但这并不意味着药物发现会自动变得更快。因为最终仍然需要回答哪一些分子值得真正进入实验？如果AI生成了100万条序列，最终仍然需要大量实验逐一筛选，那么AI改变的可能只是序列产生方式，而没有真正改变研发效率，真正改变研发效率的关键，并不是让实验规模无限扩大，而是在进入实验之前，通过AI最大程度提高候选分子的选择质量。
Nature文献《The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies》提到，在基于AI Agent的抗体设计流程中，通常需要约1周完成pipeline运行，随后还需要约6周以上的湿实验验证以及进一步的数据分析与迭代（参考图3）。在大湾生物AI驱动的研发体系中，自动化pipeline能够将计算流程优化至约2天完成，并结合智能化实验体系，将后续湿实验验证周期进一步压缩至2周，实现从1周+6周到2天+2周的整体效率提升（参考图1）。这意味着，AI带来的价值并不是简单替代实验，而是在实验开始之前，帮助研发团队更精准地决定哪些分子值得被创造、哪些实验值得被执行、哪些研发路径值得投入。
图3：Nature文献《The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies》基于AI Agent的抗体设计流程图
大湾生物关注的并不是AI能够生成多少条序列，而是我们需要验证更少的候选分子，这背后是完全不同的技术逻辑，AlfaBodY将靶点信息、分子特征、已有生物学知识以及历史实验反馈映射到一个更加聚焦的设计空间。AI不是简单地产生更多候选物，而是在巨大的理论空间中，不断缩小真正值得实验验证的区域。我们希望最终实现的是更少的候选分子，更高的信息密度，更优的研发决策，这可能才是AI对于抗体发现真正重要的意义。
▲图4：大湾生物AlfaDAX平台在1个多月内完成2轮优化，亲和力提升了200倍
6. 好的抗体，不是一个指标的冠军
抗体工程还有另一个长期存在的问题，单目标优化。提高亲和力、提高活性、降低聚集、降低黏度、改善表达等，这些问题过去往往被分阶段、逐个解决，但药物并不是这些指标的简单相加。一个突变可能提高亲和力，却同时降低稳定性，另一个突变可能改善表达，却影响生物学活性。真正的分子设计，本质上是一个复杂的多目标优化问题。
因此，AlfaDAX关注的并不是怎样让这个抗体的某一个指标做到最好，而是什么样的分子属性组合，才能创造出最佳的药物候选分子。当亲和力、活性、稳定性、聚集、黏度、表达以及其他关键属性被放到同一个设计空间中，AI面对的就不再是寻找某个单一指标的极值，而是在复杂的分子空间中寻找帕累托最优分子解。换句话说，我们优化的不是一个参数，我们优化的是成为药物的可能性。
7. AI真正难以复制的壁垒，也许是复利
一个模型训练完成之后，它的能力基本确定，但一个平台不应该如此。一个新的抗体项目进入系统，产生新的设计，新的设计进入实验，实验产生新的生物学反馈，这些反馈重新验证模型，模型又影响下一轮设计，形成更优质的数据 → 更先进的算法 → 更优质的分子 → 更多生物学验证 → 更优质的数据，大湾生物将这种现象称为AI能力复利（AI Capability Compounding）。
真正重要的，不是某一次预测究竟提高了几个百分点，而是当几十个、几百个真实研发任务不断进入同一个体系之后，系统是否能够持续积累对于序列 → 结构 → 功能 → 成药性潜力之间关系的理解。如果答案是肯定的，那么AI平台真正积累的就不再只是数据。而是一种越来越难以复制的智能生物学设计，这也是AI驱动生物药研发区别于传统计算工具的核心，工具解决单个问题，而平台能够持续进化。
8. 生物药AI自己的规模定律
在通用人工智能领域，规模定律告诉我们随着数据、模型参数和计算资源的扩大，模型能力可能持续提升，但药物研发是否遵循完全相同的规律？我们认为，这个问题仍然值得探索。因为在生物学中，一个经过真实实验验证的数据点，与一个未经验证的数据点，并不具有完全相同的信息价值。一个能够改变分子设计决策的数据点，也可能比成千上万个普通序列更加重要。
大湾生物正在思考另一种可能生物AI的发展，也许并不仅取决于模型接触了多少数据，而取决于它从多少经过实验验证的生物学规律中学习。这意味着，Biology-native AI真正的规模定律，也许并不仅仅来自更多数据×更大模型×更多计算资源，还来自更优质的数据×专业化算法×实验验证×持续学习，这不是一个已经完成的公式，而是大湾生物正在真实研发环境中不断验证的方向。
未来，生物药AI的发展，可能不会简单遵循传统AI“大模型、大数据”的增长路径。真正决定平台能力的，也许是能否持续获得高质量生物反馈，能否让算法理解真实实验，能否让每一次研发实践推动下一次创新。
9. 从预测生物学到工程化设计生物药
AI进入生命科学之后，我们经历了几个阶段。最早，我们希望AI能够帮助我们分析数据，后来，我们希望AI能够预测生物学，再后来，生成式AI开始尝试创造新的分子。但对于大湾生物而言，更值得期待的下一步是工程化设计生物药，让AI真正进入生物药工程体系，不是单独存在于计算端，而是与抗体发现、分子工程、实验验证以及后续CMC开发逐渐连接起来。
从AlfaBodY的抗体序列设计，到AlfaDAX的多目标分子优化，再到真实实验产生的持续反馈，大湾生物正在构建的并不是一个单独的AI模型，而是一套能够持续进化的AI驱动的生物药发现与工程平台。我们并不知道AI最终会把生物药研发带到哪里，但有一点正在变得越来越清晰，未来真正具有价值的AI药物研发平台，也许不会仅仅由谁拥有最大的模型决定，而是谁能够最快从生物学中学习，当每一次分子设计都产生新的实验数据，当每一次实验都反过来改变下一次设计，当数据、算法与生物学开始形成持续闭环，AI所做的事情，也许就不再只是预测生物学可能会发生什么，而是开始走向工程化创造生命可能成为的未来。
让AI深入连接抗体发现、分子优化、实验验证及CMC开发流程，通过自主蛋白设计与智能化研发体系，大湾生物致力于提高候选分子命中率，减少研发成本，加速创新生物药开发。
