AI分子设计的“世界模型”来了！诺奖团队中国成员打造全模态生成基座，已获pM级实验验证

导语：从“看见”到“设计”，一支诺奖实验室走出的中国团队正在用“分子世界模型”打破AI制药的模态孤岛，让蛋白、核酸、小分子设计走向统一。

过去几年，AI4Bio 最深入人心的突破莫过于 Google DeepMind 的 AlphaFold。它让 AI 能够大规模、接近实验精度地“看见”蛋白质结构。到了 AlphaFold 3，AI 更进一步开始理解由蛋白、核酸、小分子、离子组成的多组分复合体。然而，生命工程真正想要的不是“看见”，而是“设计”——设计一个分子，让它在正确的位置、以正确的方式与目标发生作用，进而调控通路、改变病理过程，甚至重构某种生命功能。

以核糖体为例，它不仅是蛋白质、RNA 与小分子药物共同作用的分子机器，也是多种小分子药物的作用靶点。这正是 AI 分子设计当前面临的关键断点：过去的 AI 分子设计并非没有突破，但许多能力仍困在“模态孤岛”里——蛋白设计、小分子生成与分子对接、核酸结构建模长期各自为战。这里的“模态”不是文本、图像或音频，而是蛋白质、小分子、核酸等生命分子的不同类别，可以看作不同类型的“Token”。由于表征方式、训练数据和任务目标被割裂，AI 很难在同一套框架里连续理解和设计跨模态互作。但真实生命系统从不按这些边界运行，一个靶点场景中多模态共存是常态，疾病机制的发生也往往取决于分子之间如何识别、结合、调控和失衡。

跨模态：从物理底层到模型顶层

“物理学里有四大基本相互作用力。在这个框架下，生物分子之间的作用，本质上都可以理解为电磁相互作用的不同阶展开。”张昊天指出，蛋白、核酸、小分子这些标签是人类为理解生命系统而划定的分类，但在更底层的原子尺度上，分子之间遵循的是统一的物理相互作用规律。既然底层物理统一，学习分子互作的 AI 也不该被模态标签限制。

张昊天本人的学术轨迹正是对“打破边界”的生动注脚。他本科阶段同时修读浙江大学物理学与药学，随后获得浙江大学医学硕士，并进入华盛顿大学计算机方向继续研究。从物理的底层规律、医学的生命表象到计算机的建模推演，这种交叉学科背景让他既能从原子尺度理解分子作用，也能从模型视角重构分子设计问题。

ODesign：全球首个全模态分子设计基座模型

此前，由张昊天担任一作兼共同通讯作者，临港实验室联合上海浦江实验室、华盛顿大学、哈佛大学、MIT 等科研力量共同推进的 ODesign 开源科研项目，定位于全球首个面向全模态的分子设计基座模型。

ODesign 试图把蛋白质、DNA、RNA、小分子与离子等多模态实体放进同一套生成框架，让 AI 学习它们之间的相互作用，并在分子整体、功能基序、提示原子三种粒度下，实现任意两类分子之间的可控设计。在张昊天看来，该项目要证明的不是“一个模型能多做几类任务”，而是如果生命分子的相互作用本来就是跨模态的，那么模型也必须具备跨模态学习和生成的能力。否则，任何单一模态的建模都只是用一个被截断的世界去近似真实系统，最终只能依赖大规模筛选来弥补建模能力的不足。

ODesign 将蛋白、DNA、RNA、小分子与离子纳入同一生成框架，支持不同分子类型之间的 all-to-all 设计，并可在刚性或柔性靶标条件下生成目标结合分子。

一支从 Baker Lab 走出的年轻科学家团队

2024 年，David Baker 因“计算蛋白设计”获诺贝尔化学奖。ODesign 项目组三位核心成员——张昊天、应可钧、王佳淇——均来自 Baker Lab。团队同时具备前沿 AI 建模能力、计算蛋白设计训练背景和干湿闭环理解，是国内少数真正站在 AI4Science 与生命分子设计交叉处的力量。

统一表征：寻找分子的“通用语言”

理念上的跨模态必须在工程上落地为统一表征。ODesign 直面的第一个难题是：蛋白、小分子、核酸结构差异极大，如何让同一套模型真正“读懂”不同分子？研究团队的思路是寻找不同模态之间可以共享的“最小化学生成单元”（MCGU）。模型不再把蛋白、小分子、核酸视为割裂对象，而是先拆解到统一的化学基元层面，再通过 Modality Token 和 Unit Token 进行表征。推理时，模型先围绕共享基元生成，再补齐不同模态特有的原子信息。

ODesign 的统一表征架构将不同分子类型的最小化学生成单元抽象为统一 token，并通过 Pairformer 学习其与目标结构之间的相互作用，再由全原子扩散模块生成满足空间约束的三维结构。这不只是工程技巧，更是实现跨模态迁移的前提：只有在表征层打通壁垒，模型才能学到超越单一分子类型的通用互作规律，找到一种统一的“分子语言”。

在此基础上，ODesign 构建了一套以结构预测为基础的生成式架构。团队先训练结构预测框架，再重构信息流和目标函数，让模型从“预测这些分子会形成什么结构”，转向“生成一个能按预期发生作用的新分子”。前者是理解结构，后者是设计关系。

跨模态迁移的实验证言

在蛋白设计上，ODesign 首先证明了自己的能力。它在计算通量上较 RFDiffusion 提升约 10 倍，在 RFDiffusion2 的 AME 测试集上，ODesign-Flex 实现了 20 倍设计候选通量的提升。

更关键的验证出现在低数据模态——核酸。相比蛋白，核酸数据更少，成熟模型也更少。ODesign 在 RNA 单体设计上的成功率约为 RNAFrameFlow 的两倍；在训练集外的蛋白-RNA 复合体零样本设计中，平均成功率达到 77.9%。这说明 ODesign 绝非“蛋白模型披上全模态外衣”，而是真正把蛋白场景中学到的互作规律迁移到了 RNA、DNA 等低数据模态。

在小分子设计任务中，ODesign 在蛋白结合小分子任务上较 SurfGen 提升超过 40 倍，并覆盖了 DNA/RNA 结合小分子设计。这不再是旧任务刷分，而是触及了传统小分子模型无法处理的盲区。

湿实验闭环：pM 级亲和力的实证

计算指标之外，最终还要看湿实验。据张昊天介绍，ODesign 已在 8 个靶点上获得 nM 级至 pM 级亲和力的候选分子。与 RFDiffusion、BindCraft、BoltzGen、PXDesign 等方法相比，ODesign 在 protein design 上将 binding affinity 提升数倍至数百倍。这标志着 ODesign 开始真正进入生物实验体系。统一生成、跨模态迁移与实验验证的跑通，正是“分子世界模型雏形”的价值所在。它证明模型终于跨过了模态边界，开始学习分子世界更底层的相互作用规律。

从开源项目到产业化：英灵殿科技的三步走

ODesign 作为一个开源科研型项目，验证了统一生成与跨模态迁移的可行性，但距离真正的微观分子世界模型仍有距离，也尚未被封装成可规模化、可验证、可容错的产业工具。真正的挑战在于：如何从一个能生成分子的模型，进化为一个能参与真实药物研发全流程的系统。为此，张昊天决定独立出来，联合应可钧、王佳淇等伙伴共同创立了英灵殿科技，并完成由五源资本领投的首轮融资。

团队将这条道路拆解为三个清晰的台阶：AI4Bio、AI4AI 与 AI4Phy。

• AI4Bio（短期商业化入口）：从真实生物分子设计任务切入，服务药企和科研机构。在真实药物研发里，模型不能只看结合力，还要面对毒性、渗透性、免疫原性、可合成性等多重约束。
• AI4AI（中期自我迭代的科学智能框架）：今天许多模型能刷新 Benchmark，却很难真正说服客户，因为输出仍是黑盒。AI4AI 把非结构化文献、实验数据和模型输出整理成可导航的知识拓扑，让模型不仅能给出答案，还能围绕假设提出、归因评估和结果优化继续推理。
• AI4Phy（远期自驱动实验室）：模型生成候选，实验系统进行合成、纯化、测试，结果再回到模型，推动下一轮设计。这个循环一旦跑起来，模型就不再只是吃历史数据，而是在真实反馈中持续校正自己。这才是分子世界模型和普通生成模型真正拉开距离的地方。

普通生成模型可以给出候选，世界模型要理解的是：一个分子设计进入真实物理世界后，会发生什么，会失败在哪里，又该如何修正。做到这一步，拼的就不只是模型能力，而是团队能否同时理解科学问题、实验反馈和产业流程。

这正是英灵殿团队结构值得关注的原因。张昊天横跨物理、药学、医学与计算机；CTO 应可钧拥有哈佛生物医学与计算机背景，并有斯坦福医学院和 Baker Lab 博士后经历；联合创始人王佳淇则长期从事大模型与计算生物学交叉研究。这种交叉结构正对应了 AI Biotech 最难的一环：模型生成出来的东西，必须被生物学问题定义，被化学规则约束，被实验体系验证，最后还要被产业流程接住。五源资本正是看中了这支从 Baker Lab 走出的团队兼具算法能力、生命科学理解、干湿闭环能力和企业家精神，才愿意下注早期。

重构科学发现的基础设施

当分子之间的相互作用开始被模型统一学习、生成和验证，AI4Bio 的叙事逻辑正在发生变化。它不再只是更快地发现候选分子，而是让科学家以一种更可编程的方式提出假设、生成设计、进入实验，再用真实结果反哺模型。AlphaFold 让 AI4Bio 的第一场革命发生在“看见结构”，而英灵殿科技想挑战的，是下一步：让 AI 不只是理解生命分子如何相互作用，而是能够模拟、设计微观世界的动态过程，最终走向对生命功能本身的模拟与重构。