諾獎得主實驗室走出的中國團隊，正用世界模型重構生命分子設計

機器之心發布

過去幾年，AI4Bio 最深入人心的突破，莫過于 Google DeepMind 開發的 AlphaFold。

它讓 AI 大規模、接近實驗精度地 “看見” 蛋白質結構。到了 AlphaFold 3，AI 甚至開始進一步理解蛋白、核酸、小分子、離子組成的多組分復合體。

但生命工程真正想要的，不只是看見。

而是設計。設計一個分子，讓它在正確的位置、以正確的方式與目標發生作用，進而調控通路、改變病理過程，甚至重構某種生命功能。

以核糖體為例，它不僅是蛋白質、RNA 與小分子藥物共同作用的分子機器，也是多種小分子藥物的作用靶點。

這正是 AI 分子設計今天面對的關鍵斷點。

過去的 AI 分子設計并非沒有突破。只是很多能力仍困在 “模態孤島” 里：蛋白設計、小分子生成與分子對接、核酸結構建模，長期各自為戰。

注：這里的 “模態” 不是文本/圖像/音頻，而是蛋白質、小分子、核酸等生命分子的不同類別，可以看作是不同類型的 “Token”。

這不是模型數量問題，而是表征方式、訓練數據和任務目標被切開之后，AI 很難在同一套框架里連續理解和設計跨模態互作。

但真實生命系統從不按這些邊界運行。一個靶點場景中，多模態共存是常態。疾病機制的發生，也往往取決于分子之間如何識別、結合、調控和失衡。

既然生命問題天然跨模態，分子設計模型為什么還要被模態的邊界限制？

從全模態分子設計

走向分子世界模型

“物理學里有四大基本相互作用力。在這個框架下，生物分子之間的作用，本質上都可以理解為電磁相互作用的不同階展開?！?/p>

也就是說，蛋白、核酸、小分子這些標簽，是人類為了理解生命系統而劃定的分類；但在更底層的原子尺度上，分子之間遵循的是統一的物理相互作用規律。

既然底層物理統一，學習分子互作的 AI，也不該被模態標簽限制。

這套極具穿透力的底層解釋，來自一位 “很不單模態” 的年輕科學家。

張昊天本科階段同時修讀浙江大學物理學與藥學，隨后獲得浙江大學醫學碩士，并進入華盛頓大學計算機方向繼續研究。從物理的底層規律、醫學的生命表象，到計算機的建模推演，張昊天本人的學術軌跡，同時也是對 “打破邊界” 最生動的注腳。

這樣的交叉學科背景，讓他既能從原子尺度理解分子作用，也能從模型視角重構分子設計問題。

此前，由張昊天作為一作兼共同通訊作者在臨港實驗室聯合上海浦江實驗室、華盛頓大學、哈佛大學、MIT 等科研力量共同推進的ODesign開源科研項目，定位于全球首個面向全模態的分子設計基座模型。

• 論文地址：https://odesign1.github.io/static/pdfs/technical_report.pdf
• 試用地址：https://odesign.lglab.ac.cn/

ODesign 試圖把蛋白質、DNA、RNA、小分子與離子等多模態實體放進同一套生成框架，讓 AI 學習它們之間的相互作用，并在分子整體、功能基序、提示原子三種粒度下，實現任意兩類分子之間的可控設計。

在張昊天看來，該項目要證明的不是 “一個模型能多做幾類任務”，而是一個更底層的問題：如果生命分子的相互作用本來就是跨模態的，那么模型也必須具備跨模態學習和生成的能力。否則，任何單一模態的建模，本質上都是在用一個被截斷的世界去近似真實系統，最終只能依賴大規模篩選來彌補建模能力的不足。因此，基于研究團隊在分子設計模型上的研究基礎與長期積累，ODesign 嘗試在這一方向上做出探索：在同一生成框架下，對蛋白質、DNA、RNA、小分子與離子等不同模態進行統一表示，使模型能夠在一定程度上學習它們之間的相互作用，并支持跨模態的聯合建模與設計。

ODesign 全模態生成框架示意，ODesign 將蛋白、DNA、RNA、小分子與離子納入同一生成框架，支持不同分子類型之間的 all-to-all 設計，并可在剛性或柔性靶標條件下生成目標結合分子。來源：《ODesign: A World Model for Biomolecular Interaction Design》

支撐這一野心的，是一支 “從 2024 諾貝爾化學獎實驗室走出來” 的年輕科學家團隊。

2024 年，David Baker 因 “計算蛋白設計” 獲諾貝爾化學獎。ODesign 項目組三位核心成員：張昊天、應可鈞、王佳淇，均來自于 Baker Lab。團隊同時具備前沿 AI 建模能力、計算蛋白設計訓練背景和干濕閉環理解，是國內少數真正站在 AI4Science 與生命分子設計交叉處的團隊。

統一表征與涌現

世界模型的雛形

理念上的跨模態，必須在工程上落地為統一表征。

ODesign 直面的第一個難題是：蛋白、小分子、核酸結構差異極大，如何讓同一套模型真正 “讀懂” 不同分子？

研究團隊的思路，是尋找不同模態之間可以共享的 “最小化學生成單元”（MCGU）。模型不再把蛋白、小分子、核酸視為割裂對象，而是先拆解到統一的化學基元層面，再通過 Modality Token 和 Unit Token 進行表征。推理時，模型先圍繞共享基元生成，再補齊不同模態特有的原子信息。

ODesign 的統一表征架構。 模型將不同分子類型的最小化學生成單元抽象為統一 token，并通過 Pairformer 學習其與目標結構之間的相互作用，再由全原子擴散模塊生成滿足空間約束的三維結構。

這不只是工程技巧，更是實現跨模態遷移的前提：只有在表征層打通壁壘，模型才能學到超越單一分子類型的通用互作規律，找到一種統一的 “分子語言”。

在這個基礎上，ODesign 還構建了一套以結構預測為基礎的生成式架構。團隊先訓練結構預測框架，再重構信息流和目標函數，讓模型從 “預測這些分子會形成什么結構”，轉向 “生成一個能按預期發生作用的新分子”。

前者是理解結構，后者是設計關系。

那么，這種統一表征是否真的帶來了新能力？

目前的驗證結果顯示，ODesign 的價值不只是 “一個模型能做更多任務”，而是它在不同模態之間表現出了遷移能力。

在蛋白設計上，ODesign 首先證明自己能打。它在計算通量上較 RFDiffusion 提升約 10 倍，在 RFDiffusion2 的 AME 測試集上，ODesign-Flex 實現相較于RFDiffusion2 20 倍設計候選通量的提升。

更關鍵的驗證在低數據模態——核酸。相比蛋白，核酸數據更少，成熟模型也更少。ODesign 在 RNA 單體設計上的成功率約為 RNAFrameFlow 的兩倍；在訓練集外的蛋白 - RNA 復合體零樣本設計中，平均成功率達到 77.9%。這說明它絕非 “蛋白模型披上全模態外衣”，而是真正把蛋白場景中學到的互作規律，遷移到了 RNA、DNA 等低數據模態。

ODesign 在核酸設計任務中的跨模態遷移驗證。 在 RNA / DNA 單體生成與蛋白結合 aptamer 設計中，ODesign 展現出向低數據核酸模態遷移互作規律的能力，其中 protein-binding RNA 任務體現了其零樣本設計潛力。

小分子則更接近藥物研發場景。ODesign 在蛋白結合小分子任務上較 SurfGen 提升超過 40 倍，并覆蓋 DNA/RNA 結合小分子設計。這不再是舊任務刷分，而是觸及了傳統小分子模型無法處理的盲區。

ODesign 在小分子設計任務中的表現。 在蛋白、DNA、RNA 結合小分子設計中，ODesign 展現出跨靶標類型生成小分子的能力，開始覆蓋傳統專家模型更難處理的跨模態設計組合。

計算指標之外，最終還要看濕實驗，也就是在真實生物實驗體系中被檢測、篩選和確認。

據張昊天介紹，ODesign 已在 8 個靶點上獲得 nM 級至 pM 級親和力的候選分子。與 RFDiffusion、BindCraft、BoltzGen、PXDesign 等方法相比，ODesign 在 protein design 上將 binding affinity 提升數倍至數百倍。這標志著 ODesign 開始真正進入生物實驗體系。

統一生成、跨模態遷移與實驗驗證的跑通，正是 “分子世界模型雛形” 的價值所在。它證明模型終于跨過了模態邊界，開始學習分子世界更底層的相互作用規律

從基座到閉環

重構科學發現的基礎設施

但 ODesign 作為一個開源科研型項目，對團隊而言還不是終點。作為一個原型機，它驗證了統一生成與跨模態遷移的可行性，卻距離一個真正的微觀分子世界模型還有一段距離。除此之外，它尚未被封裝成可規模化、可驗證、可容錯的產業工具。真正的挑戰在于：如何從一個能生成分子的模型，進化為一個能參與真實藥物研發全流程的系統。

為解決這個問題，張昊天決定獨立出來，聯合應可鈞、王佳淇等志同道合的小伙伴，共同創立了英靈殿科技，并完成由五源資本領投的首輪融資

張昊天團隊從技術路徑出發，將這條道路拆解為三個清晰的臺階：AI4BioAI4AIAI4Phy

短期看，AI4Bio 是商業化入口，從真實生物分子設計任務切入，服務藥企和科研機構。在真實藥物研發里，模型不能只看結合力，還要面對毒性、滲透性、免疫原性、可合成性等多重約束。

中期看，AI4AI 指向自我迭代的科學智能框架。

今天 AI4Science 的一個現實困境是，很多模型能刷新 Benchmark，卻很難真正說服客戶。問題不只是結果不夠好，也在于模型輸出往往還是黑盒：它為什么這么設計？依據是什么？失敗了該往哪里改？

AI4AI 想解決的，正是這個問題。它把非結構化文獻、實驗數據和模型輸出整理成可導航的知識拓撲，讓模型不只是給一個答案，而是能圍繞假設提出、歸因評估和結果優化繼續推理。

再往后，則是 AI4Phy，也就是自驅動實驗室。

模型生成候選，實驗系統進行合成、純化、測試，結果再回到模型里，推動下一輪設計。這個循環一旦跑起來，模型就不再只是吃歷史數據，而是在真實反饋中持續校正自己。

這才是分子世界模型和普通生成模型真正拉開距離的地方。

普通生成模型可以給出候選。世界模型要理解的是：一個分子設計進入真實物理世界后，會發生什么，會失敗在哪里，又該如何修正。

做到這一步，拼的就不只是模型能力，而是團隊能否同時理解科學問題、實驗反饋和產業流程。

這也是英靈殿團隊結構值得關注的原因。張昊天橫跨物理、藥學、醫學與計算機；CTO 應可鈞擁有哈佛生物醫學與計算機背景，并有斯坦福醫學院和 Baker Lab 博士后經歷；聯合創始人王佳淇則長期從事大模型與計算生物學交叉研究。

這種交叉結構，正對應了 AI Biotech 最難的一環：模型生成出來的東西，必須被生物學問題定義，被化學規則約束，被實驗體系驗證，最后還要被產業流程接住。

這支從 Baker Lab 走出來的團隊，也讓五源資本愿意下注早期。投資人表示，團隊兼具算法能力、生命科學理解、干濕閉環能力和企業家精神，是他們愿意長期陪伴的科學創業力量。

當分子之間的相互作用開始被模型統一學習、生成和驗證，AI4Bio 的敘事邏輯正在發生變化。它不再只是更快地發現候選分子，而是讓科學家以一種更可編程的方式提出假設、生成設計、進入實驗，再用真實結果反哺模型。

AlphaFold 讓 AI4Bio 的第一場革命發生在“看見結構”，而英靈殿科技想挑戰的，是下一步：讓 AI 不只是理解生命分子如何相互作用，而是能夠模擬、設計微觀世界的動態過程，最終走向對生命功能本身的模擬與重構