David Baker联合Allen研究所启动AI BioDesign计划｜AI4S周报

潘展 | 撰文

近期，我们整理了AI4S领域的最新模型。从MotifAE解析蛋白质语言模型内部功能特征，到WeatherNext Cyclones将AI天气预测推进至最长15天，AI正在从“预测”进一步走向可解释和业务化应用。

与此同时，艾伦研究所AI BioDesign计划近亿美元投入AI生物设计、Boehringer将AI科学家引入其药物研发体系，以及Superluminal Medicines 短短3年获得超2亿美元融资，显示AI4S正加速进入规模化研发和产业转化阶段。

01

最新研究：让AI走向闭环与可解释

1、WeatherNext Cyclones（WN-C）：AI预测台风进入业务化

9月4日，《自然》发表了一款热带气旋预测系统WeatherNext Cyclones（WN-C）。

该系统由Google DeepMind联合美国国家飓风中心、美国科罗拉多州立大学及英国气象局等机构开发。模型融合全球大气分析数据与历史热带气旋数据，可生成最长15天、最多1000成员的全球集合预报。对2023—2025年气旋评估显示，其路径、强度和风圈预测平均可比主流业务模型提前约1天达到同等预报水平。将其纳入综合集合后，整体预报能力进一步提升。

WN-C预测示意图，图源：Nature

AI已经从“辅助天气预测”进入热带气旋预报核心环节，并证明较低分辨率的大气信息同样能够提取气旋强度信号。值得一提的是，香港天文台2025年已将AI全球天气模型用于台风预报，可将台风预警时间进一步前移，为人员疏散、防灾减灾和资源调度争取宝贵时间。

https://www.nature.com/articles/s41586-026-10953-2?utm_source=chatgpt.com

2、AI-driven Polymer Discovery Framework：构建高分子材料自主发现闭环

9月4日，日本东北大学材料科学高等研究所（WPI-AIMR） Hao Li团队提出一套面向高分子材料发现的AI闭环框架。

该框架将高分子数据库、机器学习模型、机器学习原子间势（MLIPs）、LLM/AI智能体与自动化实验室整合起来，由AI完成材料预测、逆向设计、实验执行，并将实时实验数据反馈至数据库和模型，实现持续迭代优化。团队系统梳理了当前高分子AI研发中的6类关键瓶颈，包括数据孤岛、物理约束不足、模拟模块割裂、智能体推理能力有限、实验自动化缺乏闭环以及数字—实验系统互操作性不足。

材料发现AI闭环框架示意图，图源：东北大学官网

高分子材料研发从单点AI预测转向“数据—模型—智能体—实验”闭环，可大幅降低试错成本并加速电池材料、生物医用材料、可降解塑料和分离膜等新材料开发。

https://www.wpi-aimr.tohoku.ac.jp/jp/achievements/press/2026/20260904_002266.html?utm_source=chatgpt.com

3、MotifAE：让蛋白质语言模型从“黑箱”走向可解释

9月2日，哥伦比亚大学Yufeng Shen团队在Nature Communications发表了MotifAE，一种基于稀疏自编码器（SAE）的蛋白质语言模型（pLM）可解释框架。

团队以ESM2-650M为基础，将其1280维蛋白质表征映射至40,960维稀疏潜在空间，并引入平滑损失，使模型能够识别具有连续性的功能序列模式。MotifAE不仅能够发现已知功能基序，还可捕获部分结构域，并进一步从实验数据中识别与蛋白质折叠稳定性相关的特征，构建特定于稳定性的适应度景观。

MotifAE 框架，图源：Nature Communications

该研究为解析蛋白质语言模型内部表征提供了新的工具，有望推动蛋白质功能解析、突变效应预测和理性蛋白质工程从“黑箱预测”向可解释设计转变。

https://www.nature.com/articles/s41467-026-77333-2

02

前沿创新：AI赋能生物制造

1、STV-C8：AI设计新型RNA递送载体

9月2日，德国慕尼黑工业大学（TUM）与Helmholtz Munich团队在《Nature》发表了全新的自下而上组装的链霉亲和素RNA载体STV-C8。

团队利用生成式AI设计非天然蛋白结构，再与天然功能蛋白模块组合，从100多个候选结构中筛选出具有八重对称结构的STV-C8。在细胞实验中，其RNA转染效率较脂质纳米颗粒（LNP）高出1000倍以上，实现同等蛋白表达所需RNA量减少超过1万倍。此外，STV-C8还能递送mRNA、基因编辑器、抗病毒RNA及转录因子，并可通过AI设计的结合蛋白实现细胞靶向。在动物实验中，静脉注射主要在小鼠肺部产生RNA表达。在猪肌肉中，递送CRISPR-Cas9成功删除了DMD基因抗肌萎缩蛋白外显子51。

STV-C8的设计与筛选流程，图源：Nature

该研究表明AI可突破天然蛋白结构的进化限制，为RNA药物、基因编辑和精准递送提供了全新技术路线。

https://www.nature.com/articles/s41586-026-10952-3

2、DLCatalysis + NeuAc生物合成：AI赋能工业酶优化与产量暴增

9月5日，江南大学团队在《Nature Communications》发表研究，将深度学习框架DLCatalysis与代谢工程结合，可大幅提升大肠杆菌生产N-乙酰神经氨酸（NeuAc）的能力。

首先，DLCatalysis可直接根据蛋白质序列和底物预测酶的催化效率参数，并据此从大量候选酶中筛选出高性能N-乙酰氨基葡萄糖2-差向异构酶（AGE）。该策略使NeuAc滴度由1.25 g/L提升至6.84 g/L。团队进一步通过AI指导改造AGE和NeuB，并敲除此前未注释的NeuAc转运蛋白exuT，最终在5 L补料发酵中达到了85.5 g/L。

NeuAc生物合成路径示意图，图源：Nature Communications

该研究表明AI应用已进入工业酶发现与定向优化环节。通过计算筛选减少实验试错，为NeuAc等高价值生物制品提供可扩展的“AI酶设计+代谢工程+发酵验证”路线，展示了AI4S在生物制造领域的潜力。

https://www.nature.com/articles/s41467-026-77406-2?utm_source=chatgpt.com

3、Rentosertib与AI衰老时钟：显示潜在生物学年龄逆转

9月7日，Insilico Medicine联合哈佛医学院、斯坦福大学、Broad Institute、北京大学、西湖大学等机构，利用Rentosertib（ISM001-055）IIa期临床试验中的纵向蛋白质组数据，借助6种独立开发的AI蛋白质组衰老时钟，评估药物对生物学年龄的影响。

研究分析42名患者、2,841种蛋白质后发现，6种模型均显示Rentosertib治疗后预测生物学年龄下降。其中30 mg、每日2次组在第4周平均出现约3–4年的年龄逆转，部分时钟峰值接近6年。与55,319份英国生物银行的比较数据也支持其逆转部分年龄相关蛋白表达轨迹。

Rentosertib在6种衰老时钟模型中的生物学年龄逆转效应，图源：Insilico Medicine

该研究首次将生成式AI药物设计与衰老时钟贯穿从靶点发现到临床验证的完整链条，为抗衰老药物研发提供了新的范式。

https://insilico.com/news/rnt0709261-rentosertib-proteomic-aging-clocks

03

融资与合作

1、Allen Institute × UW × Fred Hutch：启动AI BioDesign计划

9月3号，Allen研究所宣布联合华盛顿大学、Fred Hutchinson癌症研究中心启动大型AI生物设计计划AI BioDesign。

项目由诺奖得主David Baker和Jay Shendure等科学家牵头，Allen慈善基金-科学与技术子基金（FFST）提供资金支持，总投入近9500万美元、至少持续5年。重点利用AI生成新的蛋白质、DNA序列、基因调控元件和生物系统，并通过大规模实验进行验证。通过建立“AI设计→实验构建→高通量测试→数据反馈→模型迭代”的闭环，并开放共享模型、数据集、实验方法和工具支持AI生物设计。重点方向包括疾病靶向蛋白、基因开关、蛋白降解/稳定工具等，并探索癌症、神经退行性疾病及环境治理等应用。

该项目意在将AI生物设计扩展为大规模、开放式、实验驱动的生物工程基础设施，目标是系统探索自然进化尚未覆盖的生物设计空间，有望推动AI4S从“预测生命”进一步迈向“设计生命”。

https://alleninstitute.org/news/ai-biodesign-video?utm_source=chatgpt.com

2、Owkin × Boehringer Ingelheim：K Pro AI Research Platform

9月2日，Owkin与Boehringer Ingelheim达成K Pro授权合作，将Owkin的Agentic AI科学家K Pro引入Boehringer的药物研发体系，重点覆盖肿瘤和免疫学多个适应症。双方未披露交易金额。

K Pro整合了2700个癌症样本、11种肿瘤类型的MOSAIC空间/多组学数据，并连接Owkin覆盖104家医院的患者数据网络，可用于靶点发现、生物标志物筛选、患者分层等任务。合作中，Owkin将向Boehringer提供多模态肿瘤数据，并进一步生成免疫学多模态数据。Boehringer科研团队可在K Pro统一环境中进行数据分析、假设生成、验证和优先级排序。

该合作将推动Boehringer药物研发从人工驱动的碎片化分析向多模态数据+Agentic AI的连续研究闭环转变，是AI科学家进入大型药企核心研发流程的又一案例。

https://www.owkin.com/newsfeed/owkin-to-license-k-pro-ai-scientist-and-multimodal-oncology-and-immunology-data-to-boehringer-ingelheim?utm_source=chatgpt.com

3、Superluminal Medicines：融资扩展AI驱动GPCR药物发现平台

9月3日，Superluminal Medicines宣布完成6000万美元B轮融资，由BVF Partners领投，用于支持首个候选药物进入临床，并继续扩展GPCR管线。此前，公司于2023年、2024年分别获得3300万美元种子轮、1.2亿美元A轮融资。与此同时，公司与Eli Lilly达成合作，针对未披露GPCR开发心血管代谢和肥胖小分子药物，潜在交易总价值最高达13亿美元。

Superluminal是一家将生成式AI/机器学习、蛋白质动力学和结构生物学结合的AI制药公司，重点攻克约850个GPCR中大量尚未成药靶点。其平台融合Agentic Cryo-EM、GPCR共折叠模型、3D口袋生成式小分子设计、虚拟筛选及ADME/毒理预测，可在不同蛋白构象下进行候选药物设计。

通过AI理解GPCR的动态构象与功能选择性，可提高传统上难成药靶点的发现效率。AI发现平台正快速走向临床候选药物和大型药企。

https://www.prnewswire.com/news-releases/superluminal-medicines-announces-oversubscribed-60-million-series-b-financing-to-advance-lead-program-in-rare-genetic-forms-of-obesity-into-the-clinic-302868367.html?utm_source=chatgpt.com

Deep Science预印本