Morphine Sulfate

来源 | 医脉通疼痛科 疼痛是老年肿瘤患者面临的一个复杂且具有重要意义的临床问题。老年肿瘤患者疼痛的主动报告比例低。多数人认为疼痛是衰老的正常现象，或者疼痛是癌症不可避免的症状，治疗无法缓解。此外，老年人常将疼痛与疾病恶化联系起来或者担心阿片类药物不良反应。而阿片类药物是疼痛管理的基石药物。那么，老年癌痛患者如何使用阿片类药物呢？ 本期小编根据新近发表的《老年癌痛中国诊疗专家共识（2026版）》整理了老年癌痛患者阿片类药物应用方法，一起来看看吧~ 点击图片打开MedSeeker查看详细解答。您也试试向MedSeeker提问吧！ 指南这样说 推荐意见：阿片类药物应用于中度和重度老年癌痛患者，低剂量起始，缓慢增量；老年癌痛患者进行阿片类药物轮换时，也需谨慎（证据质量：B；推荐强度：强推荐）。 老年患者应用阿片类药物的脏器损伤风险可能低于NSAIDs，尤其是可能存在NSAIDs使用风险的高危患者。由于老年患者对药物敏感性增加，使用阿片类药物滴定的起始剂量主要取决于安全性，而不是疼痛类型或强度，推荐为成人患者的30%~50%（如吗啡即释片推荐起始剂量为2.5~5mg/次，每4~6h给药1次；羟考酮缓释片推荐起始剂量为5mg/次，每12h给药1次），增量宜缓慢，每日最大增量为前24h总剂量的25% ~50%，直至达到有效安全的镇痛剂量。 弱阿片类药物存在“天花板效应”，常用药物包括曲马多、可待因及复方制剂。 老年患者应用曲马多最高剂量为 300 mg/d、肾损害者最高剂量为200mg/d，有癫痫发作史、癫痫发作危险因素或正在服用血清素的老年患者应禁用曲马多； 可待因最高剂量为360mg/d，应慎用于肾功能不全的老年患者，且需监测神经系统不良反应。 吗啡和羟考酮是老年癌痛患者最常用的强阿片类药物，存在较大的个体差异。 对中、重度疼痛的阿片类药物未耐受患者，适当使用非阿片类药物和辅助疗法，并根据需要开始使用短效阿片类药物，如吗啡即释片5mg，对于体弱或年老的患者，可考虑吗啡即释片2.5 mg用于低剂量滴定。 一项针对老年患者中重度疼痛的国际专家共识推荐氢吗啡酮用于肝肾功能不全的老年患者，理由包括氢吗啡酮对肝CYP酶活性影响较小、不产生具有镇痛活性的代谢产物。 老年患者对芬太尼透皮贴剂治疗的总体评价高于成年人，且芬太尼透皮贴剂可能比口服阿片类药物便秘的发生率更低。 新型口服复方制剂羟考酮/纳洛酮在缓解癌痛的同时，可有效改善阿片类药物导致的便秘，为便秘发生率较高的老年患者群体提供新的治疗选择。 对伴有睡眠障碍的老年患者，阿片类药物与其他具有镇静作用的药物（如艾司唑仑）联用时，可能导致镇静效应叠加，从而增加呼吸抑制、意识障碍甚至昏迷的风险，需严格控制给药剂量和用药时间。 长效制剂丁丙诺啡透皮贴剂具有7天持续释放、依从性高、认知障碍影响少，老年、肾功能不全者不需调整剂量等特点，用于老年癌痛治疗有一定的优势。 老年患者癌痛阿片类药物轮换的时机包括：增加原阿片类药物剂量疼痛仍不能得到充分控制、虽有效但患者不能耐受不良反应、病情变化（如出现吞咽困难、禁饮禁食状态、鼻饲、肾和/或肝功能不全）等。 老年癌痛患者进行阿片类药物轮换时，需要更加谨慎，考虑到不同阿片类药物之间的不完全交叉耐药，若疼痛得到有效控制，且患者对阿片类药物耐受，则将剂量减少25%~50%；若疼痛控制欠佳，则可从100%左右的等效剂量开始。 参考文献：中国抗癌协会老年肿瘤专业委员会 天津市抗癌协会营养与支持治疗专业委员会. 老年癌痛中国诊疗专家共识（2026版）. 中华老年医学杂志[J]，2026，45（1）：15-30. DOI：10.3760/cma.j.issn.0254-9026.2026.01.002 责编｜Zelda 封面图来源｜视觉中国 31岁男子头上奇痒，竟抠出两个洞，是皮肤问题还是另有隐情？丨医起推理吧 患者术后出血，索赔医院60余万元！医方强力反击后仍未能推翻鉴定结论，怎么办？丨医眼看法 医脉通是专业的在线医生平台，“感知世界医学脉搏，助力中国临床决策”是平台的使命。医脉通旗下拥有「MedSeeker」「临床指南」「用药参考」「医学文献王」「医知源」「e研通」「e脉播」等系列产品，全面满足医学工作者临床决策、获取新知及提升科研效率等方面的需求。 ☟戳这里，更有料！

OpenBioMed开源项目深度全面解析 一、项目基本概况与迭代历程 OpenBioMed是清华大学人工智能产业研究院（AIR）与水木分子（PharMolix）联合打造的生物医药与生命科学领域开源AI Agent平台+深度学习工具包，开源地址为https://github.com/PharMolix/OpenBioMed。 项目并非全新发布的单点模型，而是经过长期迭代的成熟体系，核心演进路径清晰呈现从“单模型能力”到“全流程自动化科研系统”的范式升级： 1.早期阶段：推出BioMedGPT、MolFM等生物医学多模态基础模型，搭建分子、蛋白、组学数据的AI预测核心能力； 2.2025年3月：上线OpenBioMed Agent Platform，完成从模型到智能体平台的架构升级； 3.2026年2月：发布BioMedGPT-Mol多模态分子语言模型，强化分子设计与理解核心能力； 4.2026年3月20日：重磅发布OpenBioMed Skills，一次性上线45个生物医药科研专属技能，完成从“预测工具”到“可组合、自动化、低代码科研操作系统”的核心跃迁，也是本次解析的核心重点。 二、核心定位与架构设计 核心定位 区别于传统单点式AIDD（人工智能辅助药物研发）模型，OpenBioMed的核心定位是生物医药领域全栈式AI Agent开发与运行平台，以“技能化封装+智能体调度+自然语言交互”为核心，为药物研发、生命科学基础研究提供端到端的自动化解决方案，目标是打造人人可用的“私人专属药物研发助手”。 核心架构 项目采用分层解耦的灵活架构，核心分为4层，实现高适配性与可扩展性： 1.基座适配层：不绑定单一自研模型，原生适配多种主流大语言模型基座，支持Claude Code等商用模型接入，用户可按需选择基座，无需局限于特定模型生态； 2.核心能力层：整合原子、分子、细胞、组织多尺度生物医学数据，覆盖分子设计、蛋白工程、组学分析等生命科学核心研究场景，为上层技能提供底层模型与算法支撑； 3.技能生态层：将复杂的科研任务拆解为标准化、可调用、可组合的Skill单元，本次更新的45个技能为核心底座，同时提供技能创建、路由能力，支持用户自定义扩展； 4.交互与部署层：支持自然语言指令交互，无需复杂代码输入即可完成科研任务；同时提供多场景部署能力，可直接部署到Claude Code、飞书、微信等平台，实现开箱即用。 三、核心能力体系：45个Skills全维度拆解 本次更新的45个生物医药专属Skills，完整覆盖药物研发全流程与生命科学核心研究场景，按功能可分为7大类，无死角覆盖从早期靶点发现到临床前研究的全环节，具体如下： 技能分类 数量 核心覆盖场景 核心能力亮点 药物研发相关 11个 小分子药物发现与临床前评价 覆盖ADMET成药性预测、药物互作分析、靶点先导化合物设计、结合亲和力预测、逆合成规划、ChEMBL/PubChem数据库查询等，完整覆盖小分子药物从设计到成药性评价的全流程 蛋白质工程相关 13个 蛋白/抗体设计、功能分析与改造 覆盖蛋白结构预测与设计、抗体结构预测与设计、蛋白-配体结合分析、蛋白突变分析、AAV/GFP突变设计、UniProt数据库查询等，满足抗体药、蛋白药物、基因治疗载体开发的核心需求 单细胞组学相关 11个 单细胞测序数据处理与挖掘 覆盖scRNA-seq全流程分析、scGPT/Geneformer等单细胞大模型调用、单细胞多组学分析与数据整合、scATAC-seq质控与注释、CellxGene Census查询等，解决单细胞组学研究的数据分析痛点 空间组学相关 2个 空间转录组数据分析 覆盖空间转录组基础模型STOFM调用、空间转录组数据IO与预处理，补齐空间多组学研究的能力短板 分子与生物信息通用 7个 生物医学基础研究通用能力 覆盖分子生化意义查询、IUPAC名称识别、蛋白互作查询、KEGG通路查询、疾病-药物情报挖掘、生物医学文献检索等，为科研全流程提供通用支撑 基础设施与扩展 2个 自定义技能开发与调度 包含生物医学技能创建器、生物医学技能路由器，支持用户通过自然语言交互创建专属技能，自动实现任务与技能的匹配调度，构建可扩展的技能生态 四、技术核心亮点与差异化优势 1.  从“单点预测工具”到“全流程自动化科研系统”的范式突破 这是项目最核心的创新。传统生物医药AI工具多为单点预测模型，用户需手动完成模型选型、环境搭建、数据输入、结果整合，流程割裂且门槛极高。 OpenBioMed通过AutoPilot智能体驱动，实现了多任务协同工作流的自动化构建与执行：智能体可自动理解用户的科研需求，自主调用对应的技能、组合工作流、完成端到端的科研任务，比如从靶点发现→先导化合物设计→ADMET成药性评价→逆合成规划的全流程自动化执行，无需人工干预。 2.  低代码/零代码门槛，自然语言实现复杂科研操作 项目将所有底层模型、算法、数据库操作全部封装为标准化技能，用户无需掌握深度学习编程、生物信息学分析代码，仅通过自然语言指令，即可完成分子设计、性质评估、组学分析、报告生成等复杂科研任务。 文章实测中，用户无需输入任何代码，仅通过自然语言指令，即可完成阿司匹林、咖啡因等分子的BBBP血脑屏障穿透性预测与副作用预测，大幅降低了AI生物医药技术的使用门槛，让湿实验科研人员、非计算背景的研发人员也能直接使用。 3.  全尺度、全场景能力覆盖，无死角适配生物医药研发需求 区别于多数仅聚焦小分子药物设计的AIDD工具，OpenBioMed的能力覆盖原子-分子-蛋白-细胞-组织全尺度生物医学数据，完整适配小分子药物、抗体药、基因治疗、细胞治疗等主流药物研发赛道，同时覆盖生命科学基础研究的组学分析、文献挖掘等核心场景，真正实现“一个平台搞定全流程科研需求”。 4.  高适配性部署能力，开箱即用降低落地成本 项目支持多场景灵活部署，既可以本地搭建环境完成私有化部署，也可以直接部署到Claude Code、飞书、微信等用户日常使用的平台，无需重构企业或实验室的办公与研发系统，真正实现开箱即用，大幅降低了技术落地的成本与门槛，这也是其被称为“生物医药版小龙虾”的核心原因（适配飞书小龙虾智能体生态）。 5.  开源开放的生态构建能力，支持行业共建 项目完全开源，不仅提供45个现成的标准化技能，还通过技能创建器、技能路由器，为行业提供了标准化的生物医药技能开发框架。全球科研人员与企业都可以基于该框架开发、贡献新的技能，形成开源生态，打破了过去生物医药AI领域“各自为战、模型孤立”的行业痛点。 五、实测性能与有效性验证 文章针对项目核心的ADMET预测能力，完成了系统性实测验证，测试基于GraphMVP模型，在OpenBioMed环境中完成，结果与临床实际高度匹配，验证了模型的准确性与可靠性。 1.  BBBP血脑屏障穿透性预测测试 测试针对阿司匹林、布洛芬、咖啡因、吗啡4种常见药物，预测其穿透血脑屏障的概率，结果与临床认知完全一致： 药物 BBBP预测概率 结果解读 临床匹配度 阿司匹林 0.1882 不易穿过血脑屏障 高度匹配，阿司匹林主要在外周发挥作用，极少进入中枢神经系统 布洛芬 0.5010 可能穿过血脑屏障 符合临床认知，布洛芬可少量进入中枢，有一定中枢镇痛作用 咖啡因 0.8341 容易穿过血脑屏障 高度匹配，咖啡因可快速穿透血脑屏障，直接作用于中枢神经系统 吗啡 解析失败 SMILES字符串过长导致RDKit解析失败 输入问题，非模型本身缺陷 2.  SIDER药物副作用预测测试 测试针对阿司匹林完成27类系统副作用预测，风险等级定义为：HIGH（概率>0.7）、MODERATE（概率0.4-0.7）、LOW（概率<0.4），核心结果如下： •高风险副作用：皮肤疾病（0.8026）、神经系统疾病（0.7810）、胃肠道疾病（0.7754）、全身性疾病（0.7165），与阿司匹林临床最常见的胃肠道刺激、过敏反应、中枢相关不良反应完全匹配； •中低风险副作用：血管疾病、呼吸系统疾病等，与阿司匹林临床低概率不良反应一致，验证了模型预测的临床有效性。 六、行业价值与范式变革意义 本次OpenBioMed Skills的发布，并非简单的功能叠加，而是给AI生物医药行业带来了根本性的范式变革，核心行业价值如下： 1.推动行业竞争逻辑的核心转向：AI在生物医药领域的竞争，正式从“谁的模型精度更高”的单点模型内卷，转向“谁能真正实现科研流程全自动化”的系统能力竞争，为行业发展指明了新的核心方向。 2.实现AI生物医药技术的普惠化：通过低代码/零代码的交互方式，将原本只有计算生物学家才能使用的高端AI技术，开放给所有生物医药研发人员、湿实验科研人员，打破了技术壁垒，让AI真正成为药物研发的普惠工具。 3.重构生物医药研发的工作流程：将原本分散、串行、人工主导的药物研发流程，重构为集中化、并行化、智能体自动化执行的全新流程，可大幅缩短药物研发周期、降低研发成本，提升研发成功率。 4.构建生物医药AI的开源生态底座：通过标准化的技能开发框架，为行业提供了统一的能力封装与调用标准，避免了重复造轮子，推动全球科研力量共建共享，加速AI生物医药技术的整体迭代。 七、当前局限与优化空间 1.本地部署仍有一定环境门槛：本地部署需匹配PyTorch、CUDA、PyG等依赖的版本，版本不兼容会导致部署失败，对非技术背景用户仍有一定门槛； 2.部分模型依赖额外组件：如MolCRAFT模型需安装OpenBabel才能完成分子解码，未安装会导致部分功能受限，需进一步优化依赖集成； 3.超长分子处理能力有待优化：吗啡等SMILES字符串过长的分子，会出现RDKit解析失败的问题，需进一步优化分子输入的兼容性。 OpenBioMed全尺度、全场景能力深度解析 OpenBioMed的核心差异化优势，是打破了传统AIDD工具「仅聚焦小分子药物单点环节、仅覆盖分子-蛋白微观尺度」的行业瓶颈，构建了**「纵向全生物尺度穿透、横向全研发场景覆盖、底层全流程技能打通」**的完整体系。它以生物系统的天然层级结构为底层逻辑，将从原子到组织的全维度生物数据、从靶点发现到临床前研发的全环节任务，全部封装为标准化、可组合、可自动调度的AI Skills，真正实现「一个平台搞定生物医药全流程科研需求」。 一、纵向全尺度能力体系：从微观到宏观的全链路穿透 生物系统本身是「原子→分子→蛋白→细胞→组织」的层级化结构，药物的起效过程本质是跨尺度的生物效应传递。传统AIDD工具大多仅停留在分子、蛋白尺度，丢失了上游原子级的作用本质与下游细胞、组织级的生理效应，导致预测与实际实验结果脱节。OpenBioMed实现了全尺度的能力覆盖，每个尺度都有专属的底层模型与标准化Skills，且实现了跨尺度数据的无缝流转。 1. 原子尺度：药物作用底层逻辑的精准刻画 这是传统工具普遍忽略的基础层级，却是药物-靶点结合、理化性质差异的核心本质。 •覆盖数据与解决痛点：覆盖原子电荷分布、键能、立体电子效应、量子化学属性、原子间非共价相互作用（氢键、疏水作用、范德华力）等核心数据；解决了传统工具需手动调用量子化学软件（如Gaussian）计算、门槛极高、与下游药物设计流程完全割裂的痛点。 •对应专属Skills： ￮底层支撑类：分子生化意义与理化性质查询、IUPAC名称识别与分子结构转换 ￮应用落地类：蛋白-配体结合模式分析、分子结合亲和力预测、先导化合物结构优化 •核心能力与应用价值：将原子尺度的量子化学计算封装为底层能力，上层所有药物设计、结合分析技能可直接调用，用户无需掌握量子化学知识，即可获得原子级的精准结果。 例：用户进行先导化合物优化时，仅需输入分子SMILES，技能即可自动计算原子层面的电荷分布，精准预测哪些位点的修饰能增强与靶点的结合力、降低脱靶风险，自动给出可落地的优化方案，实现了「原子级作用机制→分子级结构设计」的直接打通。 2. 分子尺度：小分子药物全生命周期的闭环覆盖 这是传统AIDD的核心赛道，但OpenBioMed实现了从「单点预测工具」到「全流程自动化工作流」的升级，而非零散功能的堆砌。 •覆盖数据与解决痛点：覆盖小分子药物、天然产物、PROTAC、分子胶等全类型小分子实体，包含分子结构、理化性质、成药性、体内代谢、合成路径、生物活性等全生命周期数据；解决了传统工具单点割裂、需在多个平台间手动切换、数据不互通的核心痛点。 •对应专属Skills（11个药物研发相关技能全覆盖）： 研发环节 对应Skills 分子生成与设计 靶点特异性先导化合物生成与设计、分子骨架跃迁与结构优化 成药性全面评价 ADMET全套性质预测、血脑屏障穿透性（BBBP）预测、hERG心脏毒性预测、药物副作用（SIDER）预测 作用机制与互作 药物-靶点相互作用预测、药物-药物相互作用（DDI）预测 合成与数据支撑 逆合成路线规划、ChEMBL/PubChem生物活性数据库查询、分子理化性质计算 •核心能力与应用价值：所有技能支持智能体自动组合，实现端到端的全流程自动化执行。 例：用户输入KRAS G12D突变靶点，智能体可自动串联工作流：靶点结构预测→先导化合物生成→亲和力筛选→ADMET/毒性成药性过滤→逆合成路线规划→完整研发报告生成，全程无需人工干预，数小时即可完成传统流程数周的工作量。 3. 蛋白/生物大分子尺度：从靶点到生物药的全链条打通 传统AIDD工具大多仅聚焦小分子，对蛋白、抗体、基因治疗载体的覆盖极弱，且与小分子研发流程完全割裂。OpenBioMed实现了小分子与生物大分子研发体系的无缝打通。 •覆盖数据与解决痛点：覆盖靶点蛋白、抗体、酶、AAV载体、核酸等全类型生物大分子，包含结构预测、从头设计、功能分析、突变改造、结合亲和力优化等全维度数据；解决了传统蛋白设计工具（如AlphaFold、Rosetta）门槛极高、与药物研发流程脱节、抗体/小分子研发体系割裂的痛点。 •对应专属Skills（13个蛋白质工程相关技能全覆盖）： 研发环节 对应Skills 结构预测与设计 蛋白3D结构预测、从头蛋白设计、抗体可变区结构预测与设计、双抗结构设计 结合与功能分析 蛋白-配体结合模式与亲和力预测、蛋白-蛋白相互作用（PPI）预测、抗体-抗原结合亲和力优化 突变与改造优化 蛋白突变体功能预测、AAV衣壳突变设计与优化、GFP荧光蛋白突变设计、酶活性改造与优化 数据支撑 UniProt蛋白数据库查询、PDB蛋白结构数据库查询 •核心能力与应用价值：打破了小分子与生物药研发的技术壁垒，实现了跨模态药物的全流程设计。 例：用户开发ADC药物（抗体偶联药物：抗体导航系统识别并结合肿瘤细胞表面特异抗原； 细胞毒性药物弹头，威力极强的小分子化疗药；连接子保险栓 ）时，智能体可在同一平台完成全流程：靶点蛋白结构预测 →靶向抗体序列设计与亲和力优化→细胞毒性小分子设计与成药性筛选→linker结构设计与稳定性验证，无需在抗体团队、小分子团队的不同工具间切换，彻底解决了传统ADC研发流程割裂、数据不通的行业痛点。 4. 细胞尺度：从组学数据到药物研发的转化闭环 这是传统AIDD工具几乎完全空白的领域，也是OpenBioMed实现范式突破的核心层级。传统工具大多止步于分子/蛋白，无法打通「组学数据→靶点发现→药物研发」的转化链条。 •覆盖数据与解决痛点：覆盖单细胞转录组、表观组、蛋白组数据，包含细胞类型注释、细胞状态分析、细胞分化轨迹、细胞间通讯、肿瘤微环境分析等核心数据；解决了传统单细胞分析工具（如Seurat）编程门槛极高、分析结果与药物研发完全脱节、靶点筛选缺乏细胞层级特异性验证的痛点。 •对应专属Skills（11个单细胞组学相关技能全覆盖）： 应用场景 对应Skills 单细胞全流程分析 scRNA-seq数据质控/标准化/细胞类型注释、单细胞差异表达基因分析、细胞分化轨迹推断、细胞间通讯分析 单细胞大模型能力 scGPT单细胞大模型调用与分析、Geneformer基因语言模型调用 多组学与数据支撑 单细胞多组学数据整合分析、scATAC-seq数据质控与分析、CellxGene Census单细胞数据库查询 •核心能力与应用价值：实现了「临床样本→组学数据分析→靶点发现→药物设计」的全链条闭环，彻底打通了基础研究与转化应用的壁垒。 例：用户开发肿瘤免疫治疗药物时，仅需上传患者的单细胞测序数据，智能体即可自动完成：细胞类型注释→肿瘤细胞特异性高表达靶点筛选→靶点成药性验证→先导化合物/CAR（嵌合抗原受体：胞外抗原结合区、跨膜区、胞内信号区）结构设计，全程无需编写代码，数天即可完成传统流程数月的靶点发现与验证工作，同时通过单细胞层级的特异性分析，大幅降低药物的on-target off-tumor毒性风险。 5. 组织尺度：宏观生理效应的精准还原 这是传统AIDD工具完全未覆盖的宏观层级，也是解决实体瘤药物研发、组织靶向性设计等行业痛点的关键。 •覆盖数据与解决痛点：覆盖空间转录组、空间蛋白组数据，包含组织内细胞空间分布、肿瘤微环境空间结构、药物组织穿透性、组织特异性靶向性等核心数据；解决了传统工具丢失空间位置信息、无法还原药物在组织内的真实生理效应、实体瘤药物研发成功率低的痛点。 •对应专属Skills（2个空间组学相关技能+跨尺度联动技能）： ￮核心技能：空间转录组基础模型STOFM调用与分析、空间转录组数据IO/质控与预处理 ￮联动技能：单细胞组学全流程分析技能、靶点特异性筛选技能、药物理化性质优化技能 •核心能力与应用价值：将组织层面的空间信息与药物研发全流程打通，还原药物在体内的真实作用场景。 例：用户开发实体瘤靶向药物时，可通过空间组学技能分析肿瘤组织的空间结构，明确肿瘤细胞与免疫细胞的空间位置关系，筛选肿瘤组织特异性的靶点，同时结合分子尺度的技能优化药物的理化性质，提升药物在实体瘤组织内的穿透性，解决了传统小分子设计仅关注分子亲和力、忽略组织穿透性导致的临床失败问题。 二、横向全场景覆盖能力：全赛道、全流程的无死角适配 基于全尺度的底层能力，OpenBioMed完整覆盖了生物医药领域所有主流研发赛道与基础科研场景，每个场景都有专属的技能组合与全流程解决方案，彻底摆脱了传统工具「仅适配小分子单点环节」的局限。 1. 小分子药物研发全场景：从靶点发现到PCC确定的端到端闭环 覆盖小分子药物研发的全生命周期，是传统AIDD工具的核心赛道，但OpenBioMed实现了从「已知靶点设计」到「从零靶点发现」的全流程覆盖，无任何断点。 •全流程环节与对应技能组合： a.靶点发现与验证：单细胞/空间组学分析技能、疾病-药物-靶点关联挖掘技能、KEGG通路分析技能、蛋白-蛋白相互作用预测技能 b.先导化合物发现：靶点特异性先导化合物生成技能、分子骨架跃迁技能、ChEMBL/PubChem数据库查询技能 c.先导化合物优化：分子结合亲和力预测技能、蛋白-配体结合模式分析技能、ADMET成药性预测技能 d.安全性评价：hERG心脏毒性预测技能、药物副作用预测技能、药物-药物相互作用预测技能 e.转化落地：逆合成路线规划技能、生物医学文献检索技能 •核心差异化优势：传统工具大多从「已知靶点」开始，仅能完成分子设计与单点性质预测，而OpenBioMed实现了从靶点发现的最上游到合成落地的最下游的全流程自动化，智能体可自动串联全环节工作流，无需人工干预。 2. 抗体药/生物药研发全场景：从抗原验证到成药性优化的全流程覆盖 这是传统AIDD工具覆盖极弱的领域，OpenBioMed将高门槛的抗体设计能力封装为零代码技能，同时打通了与小分子研发的联动能力，适配单抗、双抗、ADC等主流生物药赛道。 •全流程环节与对应技能组合： a.靶点抗原验证：蛋白结构预测技能、UniProt数据库查询技能、单细胞/空间组学特异性分析技能 b.抗体序列与结构设计：抗体可变区结构预测与设计技能、双抗结构设计技能、抗体-抗原结合亲和力预测技能 c.抗体优化与成熟：抗体亲和力成熟技能、蛋白突变体功能预测技能、蛋白理化性质预测技能 d.ADC全流程设计：联动抗体设计技能、小分子药物设计技能、蛋白-小分子结合分析技能 e.成药性评价：免疫原性预测、聚集性与稳定性评价、蛋白-蛋白相互作用特异性验证 •核心差异化优势：传统抗体设计工具需极强的专业编程能力与生物信息学背景，且与小分子研发体系完全割裂；OpenBioMed实现了零代码的抗体设计能力，同时支持ADC等跨模态药物的全流程一体化设计，大幅降低了生物药研发的技术门槛。 3. 基因治疗研发全场景：AAV载体设计与优化的专属能力 这是传统AIDD工具几乎完全空白的赛道，也是OpenBioMed的核心差异化场景。基因治疗的核心瓶颈是AAV衣壳的靶向性、转染效率与免疫原性，传统研发依赖耗时耗力的定向进化，效率极低。 •全流程环节与对应技能组合： a.靶向受体筛选：单细胞/空间组学分析技能、组织特异性基因表达分析技能 b.AAV衣壳设计与优化：AAV衣壳突变设计与优化技能、蛋白结构预测技能、蛋白突变体功能预测技能 c.安全性与有效性验证：免疫原性预测、转染效率预测、蛋白-受体结合亲和力分析 d.数据支撑：UniProt/PDB数据库查询技能、文献检索与情报挖掘技能 •核心差异化优势：全球极少数将AAV载体设计封装为标准化AI技能的开源平台，通过AI直接预测最优的衣壳突变体，大幅减少湿实验工作量，将传统数月的定向进化工作缩短至数天，填补了传统AIDD工具在基因治疗领域的空白。 4. 细胞治疗研发全场景：从靶点筛选到CAR结构设计的全流程支撑 这也是传统AIDD工具完全未覆盖的赛道，OpenBioMed通过全尺度能力的联动，解决了细胞治疗研发的核心痛点：靶点特异性筛选与CAR结构优化。 •全流程环节与对应技能组合： a.安全靶点筛选：单细胞/空间组学分析技能、肿瘤/正常组织表达特异性验证技能、疾病-靶点关联挖掘技能 b.CAR结构设计：蛋白结构预测与设计技能、抗体scFv段设计技能、蛋白-蛋白相互作用预测技能 c.功能优化：CAR亲和力优化技能、蛋白突变体功能预测技能、信号通路分析技能 d.安全性验证：on-target off-tumor风险评估、免疫原性预测 •核心差异化优势：通过单细胞+空间组学的全尺度分析，精准筛选仅在肿瘤细胞表达、不在正常组织表达的安全靶点，同时通过AI完成CAR结构的全流程设计与优化，解决了传统细胞治疗研发依赖经验、靶点筛选效率低、临床安全性风险高的核心痛点。 5. 生命科学基础研究全场景：从数据分析到功能验证的普惠化工具 除了药物研发，OpenBioMed还完整覆盖了生命科学基础研究的核心场景，打破了传统生信工具的高编程门槛，实现了科研能力的普惠化。 •核心覆盖场景与对应技能组合： a.多组学数据分析：单细胞组学全流程技能、空间组学技能、KEGG通路分析技能、基因功能富集分析技能 b.分子与蛋白功能研究：蛋白工程全系列技能、分子生化性质分析技能、蛋白-蛋白/蛋白-配体互作分析技能 c.文献与情报挖掘：生物医学文献检索与挖掘技能、疾病-药物-靶点情报挖掘技能 d.自定义科研需求：生物医学技能创建器、生物医学技能路由器，支持用户通过自然语言创建专属科研技能 •核心差异化优势：将原本需要专业生信编程能力的复杂分析流程，封装为零代码的标准化技能，非计算背景的科研人员仅通过自然语言指令，即可完成复杂的组学数据分析、分子功能研究，同时可直接将分析结果转化为功能验证、分子设计的方案，真正实现了从基础研究到转化应用的无缝衔接。 三、全尺度+全场景能力的核心支撑：Skills的标准化与可组合性 OpenBioMed能实现全尺度、全场景的无缝覆盖，核心在于其对所有能力进行了标准化的Skill封装，而非零散的工具接口堆砌，这也是其区别于传统工具的核心底层逻辑。 1.统一的Skill封装规范：每个Skill都包含「功能描述、输入参数、输出结果、错误处理、示例指令」五个标准化模块，完全兼容主流大语言模型的工具调用规范，无论是自研的BioMedGPT，还是第三方的Claude、GPT等模型，均可自动识别与调用，无需额外适配。 2.跨尺度、跨场景的Skill联动：所有Skill的输入输出格式完全统一，实现了跨尺度数据的无缝流转。例如单细胞组学Skill输出的靶点基因，可直接传入蛋白结构预测Skill，再直接对接小分子/抗体设计Skill，全程无需手动转换数据格式，彻底打破了传统工具的数据壁垒。 3.智能自动的Skill调度能力：平台内置的「生物医学技能路由器」，可自动解析用户的自然语言指令，将复杂的研发任务拆解为多个子任务，自动匹配对应的Skill，自主调度执行全流程工作流，用户无需了解每个Skill的具体功能，只需提出最终的研发目标，即可获得端到端的解决方案。 4.开源开放的Skill生态扩展：除官方提供的45个标准化Skill外，用户可通过「生物医学技能创建器」，用自然语言快速创建专属自定义Skill，无论是自有训练的模型，还是本地的实验流程，均可快速封装为标准化Skill，与官方技能联动使用，实现了行业共建的开源生态。 四、与传统AIDD工具的核心差异总结 对比维度 传统AIDD工具 OpenBioMed全尺度全场景平台 生物尺度覆盖 仅聚焦分子、蛋白尺度，丢失原子、细胞、组织层级的关键信息 完整覆盖原子-分子-蛋白-细胞-组织全生物尺度，跨尺度数据无缝流转 研发场景覆盖 仅适配小分子药物研发的部分环节，不覆盖生物药、基因治疗、细胞治疗等主流赛道 完整覆盖小分子、抗体药、基因治疗、细胞治疗全研发赛道，以及生命科学基础研究全场景 流程完整性 单点工具为主，流程严重割裂，需用户手动切换工具、导入导出数据 全流程打通，智能体自动组合Skill，端到端完成从靶点发现到候选分子设计的全环节 使用门槛 极高，需专业的计算生物学、生信编程能力，仅适配专业计算人员 极低，零代码/低代码，自然语言交互，非计算背景的湿实验研发人员也可直接使用 生态扩展性 封闭体系，仅支持官方提供的功能，无法自定义扩展 完全开源，支持用户自定义创建Skill，构建行业共建的开源生态 OpenBioMed官方45个Skills全尺度、全场景能力深度解析 本次解析严格对应项目官方发布的45个生物医药专属Skills的完整命名与分类，所有能力子项均标注对应技能的官方全称（含模型/工具后缀），无自定义名称、无功能遗漏，完全匹配原文技术内容，清晰呈现「原子-分子-蛋白-细胞-组织」全尺度穿透、全研发赛道覆盖的核心能力。 前置：官方45个Skills完整清单（原文原版分类与命名） 官方分类 技能编号 官方精准技能全称 中文功能定义 药物相关（11个） 1 admet-prediction ADMET成药性预测（吸收/分布/代谢/排泄/毒性） 2 drug-drug-interaction-analysis 药物-药物相互作用分析 3 drug-candidate-discovery 药物候选发现 4 drug-lead-analysis 药物先导化合物分析 5 retrosynthesis-planning 逆合成规划 6 target-based-lead-design 靶向先导化合物设计 7 target-drug-report 靶点-药物报告生成 8 text-based-molecule-editing 基于文本的分子编辑 9 binding-affinity-prediction-prodigy 结合亲和力预测（Prodigy） 10 chembl-query ChEMBL数据库查询 11 pubchem-query PubChem数据库查询 蛋白质相关（13个） 12 protein-function-prediction 蛋白质功能预测 13 protein-subcellular-localization-prediction-biot5 蛋白质亚细胞定位预测（BioT5） 14 protein-ligand-binding-analysis-plip 蛋白质-配体结合分析（PLIP） 15 protein-mutation-analysis 蛋白质突变分析 16 protein-structure-design-boltzgen 蛋白质结构设计（BoltzGen） 17 antibody-structure-prediction-tfold 抗体结构预测（TFold） 18 antibody-design-iggm 抗体设计（IgGM） 19 functional-protein-design 功能性蛋白质设计 20 mutation-design-aav AAV突变设计 21 mutation-design-gfp GFP突变设计 22 similar-protein-retrieval 相似蛋白质检索 23 structure-prediction-boltz-2 蛋白结构预测（Boltz-2） 24 uniprot-query UniProt数据库查询 单细胞相关（11个） 25 single-cell-scrna-seq-analysis-scanpy scRNA-seq分析（Scanpy） 26 single-cell-foundation-model-scrna-seq-geneformer scRNA-seq分析（Geneformer模型） 27 single-cell-foundation-model-scrna-seq-langcell scRNA-seq分析（LangCell模型） 28 single-cell-foundation-model-scrna-seq-scgpt scRNA-seq分析（scGPT模型） 29 single-cell-multi-omics-analysis-scvi 单细胞多组学分析（scVI） 30 single-cell-multi-omics-data-harmonization 单细胞多组学数据整合 31 single-cell-proteomics-data-processing 单细胞蛋白质组学数据处理 32 single-cell-proteomics-peptide-identification 单细胞蛋白质组学肽段鉴定 33 single-cell-atac-seq-qc-processing scATAC-seq质控处理 34 single-cell-atac-seq-peak-calling-annotaion scATAC-seq Peak calling与注释 35 CellxGene Census查询 CellxGene Census数据库查询 空间组学相关（2个） 36 spatial-transcriptomics-foundation-model-stofm 空间转录组分析（STOFM模型） 37 spatial-transcriptomics-spatial-data-io 空间转录组数据IO与预处理 分子/生物通用相关（7个） 38 molecule-biochemical-significance-query-biot5 分子生化意义查询（BioT5） 39 iupac-name-identification-biot5 IUPAC名称识别（BioT5） 40 ppi-string-query 蛋白质相互作用（STRING）查询 41 kegg-query KEGG通路数据库查询 42 disease-drug-intelligence 疾病-药物情报挖掘 43 biomedical-literature-search 生物医学文献搜索 基础设施相关（2个） 44 biomed-skill-creator 生物医学技能创建器 45 biomed-skill-router 生物医学技能路由器 一、纵向全生物尺度能力深度解析（全技能精准映射） 项目以生物系统天然层级为底层逻辑，实现「原子→分子→蛋白→细胞→组织」全尺度穿透，每个尺度均有专属技能支撑，且支持跨尺度技能自动联动，彻底解决传统AIDD工具仅停留在分子/蛋白尺度、数据割裂的核心痛点。 1. 原子尺度：药物作用本质的底层刻画 •尺度定位：聚焦原子级的相互作用、理化性质与结构特征，是药物-靶点结合、成药性差异的核心底层逻辑，也是传统工具普遍忽略的基础层级。 •对应官方精准技能： a.binding-affinity-prediction-prodigy（结合亲和力预测） b.protein-ligand-binding-analysis-plip（蛋白质-配体结合分析） c.text-based-molecule-editing（基于文本的分子编辑） d.molecule-biochemical-significance-query-biot5（分子生化意义查询） e.iupac-name-identification-biot5（IUPAC名称识别） •技能落地逻辑： 所有技能均以原子级数据为核心，比如protein-ligand-binding-analysis-plip可精准解析原子层面的氢键、疏水作用、范德华力、π-π堆积等非共价相互作用，binding-affinity-prediction-prodigy基于原子级相互作用计算结合自由能，直接支撑后续的分子优化。 例：用户进行先导化合物优化时，仅需输入分子SMILES，text-based-molecule-editing可基于原子级的电荷分布，自动给出位点修饰方案，同步调用binding-affinity-prediction-prodigy验证修饰后的亲和力变化，实现「原子级机制→分子级设计」的无缝打通。 2. 分子尺度：小分子药物全生命周期闭环 •尺度定位：覆盖小分子药物从设计到落地的全维度数据，是传统AIDD的核心赛道，项目实现了从「单点预测」到「全流程自动化工作流」的升级，无环节断点。 •对应官方精准技能（11个药物相关技能全覆盖）： a.admet-prediction（ADMET成药性预测） b.drug-drug-interaction-analysis（药物-药物相互作用分析） c.drug-candidate-discovery（药物候选发现） d.drug-lead-analysis（药物先导化合物分析） e.retrosynthesis-planning（逆合成规划） f.target-based-lead-design（靶向先导化合物设计） g.target-drug-report（靶点-药物报告生成） h.text-based-molecule-editing（基于文本的分子编辑） i.binding-affinity-prediction-prodigy（结合亲和力预测） j.chembl-query（ChEMBL数据库查询） k.pubchem-query（PubChem数据库查询） •技能落地逻辑： 所有技能按小分子研发流程标准化串联，智能体可自动组合完成端到端任务： ￮靶点验证阶段：调用chembl-query/pubchem-query获取靶点活性数据，disease-drug-intelligence挖掘靶点成药性信息； ￮分子设计阶段：调用target-based-lead-design生成先导化合物，drug-candidate-discovery完成活性筛选； ￮成药性评价阶段：调用admet-prediction完成吸收/分布/代谢/毒性全套预测，drug-drug-interaction-analysis评估联用风险； ￮转化落地阶段：调用retrosynthesis-planning生成合成路线，target-drug-report自动输出完整研发报告。 3. 蛋白/生物大分子尺度：从靶点到生物药的全链条打通 •尺度定位：覆盖靶点蛋白、抗体、AAV载体、酶等全类型生物大分子，解决传统AIDD工具重小分子、轻生物药，且蛋白设计门槛极高、与小分子研发割裂的痛点。 •对应官方精准技能（13个蛋白质相关技能全覆盖）： a.protein-function-prediction（蛋白质功能预测） b.protein-subcellular-localization-prediction-biot5（蛋白质亚细胞定位预测） c.protein-ligand-binding-analysis-plip（蛋白质-配体结合分析） d.protein-mutation-analysis（蛋白质突变分析） e.protein-structure-design-boltzgen（蛋白质结构设计） f.antibody-structure-prediction-tfold（抗体结构预测） g.antibody-design-iggm（抗体设计） h.functional-protein-design（功能性蛋白质设计） i.mutation-design-aav（AAV突变设计） j.mutation-design-gfp（GFP突变设计） k.similar-protein-retrieval（相似蛋白质检索） l.structure-prediction-boltz-2（蛋白结构预测） m.uniprot-query（UniProt数据库查询） •技能落地逻辑： 技能覆盖蛋白从结构预测到功能改造的全流程，同时打通与小分子研发的联动，适配单抗、双抗、ADC、基因治疗载体等主流生物药赛道： ￮靶点蛋白验证：调用structure-prediction-boltz-2预测3D结构，protein-function-prediction验证功能，uniprot-query获取蛋白全维度信息； ￮抗体药研发：调用antibody-structure-prediction-tfold预测抗体可变区结构，antibody-design-iggm完成抗体序列设计，protein-ligand-binding-analysis-plip优化抗体-抗原结合亲和力； ￮基因治疗研发：调用mutation-design-aav完成AAV衣壳突变设计与靶向性优化，protein-mutation-analysis验证突变体的稳定性与免疫原性； ￮功能性蛋白研发：调用functional-protein-design完成酶、荧光蛋白等从头设计，mutation-design-gfp完成GFP荧光蛋白的功能优化。 4. 细胞尺度：从组学数据到药物研发的转化闭环 •尺度定位：覆盖单细胞转录组、表观组、蛋白组全维度数据，解决传统AIDD工具完全空白的「组学数据→靶点发现→药物研发」转化痛点，实现从细胞异质性到药物特异性的全链条打通。 •对应官方精准技能（11个单细胞相关技能全覆盖）： a.single-cell-scrna-seq-analysis-scanpy（scRNA-seq分析） b.single-cell-foundation-model-scrna-seq-geneformer（scRNA-seq Geneformer模型） c.single-cell-foundation-model-scrna-seq-langcell（scRNA-seq LangCell模型） d.single-cell-foundation-model-scrna-seq-scgpt（scRNA-seq scGPT模型） e.single-cell-multi-omics-analysis-scvi（单细胞多组学分析） f.single-cell-multi-omics-data-harmonization（单细胞多组学数据整合） g.single-cell-proteomics-data-processing（单细胞蛋白质组学数据处理） h.single-cell-proteomics-peptide-identification（单细胞蛋白质组学肽段鉴定） i.single-cell-atac-seq-qc-processing（scATAC-seq质控处理） j.single-cell-atac-seq-peak-calling-annotaion（scATAC-seq Peak calling与注释） k.CellxGene Census查询（CellxGene Census数据库查询） •技能落地逻辑： 所有技能实现单细胞数据从预处理到靶点挖掘的全流程零代码操作，直接对接下游药物设计技能，彻底打通基础研究与转化应用： ￮单细胞数据预处理：调用single-cell-scrna-seq-analysis-scanpy完成scRNA-seq数据质控、标准化、细胞类型注释，single-cell-atac-seq-qc-processing完成表观组数据质控，single-cell-multi-omics-data-harmonization完成多组学数据整合； ￮深度分析与靶点挖掘：调用single-cell-foundation-model-scrna-seq-scgpt/geneformer完成单细胞大模型分析，筛选肿瘤细胞特异性高表达靶点，single-cell-atac-seq-peak-calling-annotaion验证靶点的表观调控机制； ￮蛋白组学验证：调用single-cell-proteomics-data-processing/single-cell-proteomics-peptide-identification完成单细胞蛋白组学验证，确认靶点的蛋白水平表达； ￮转化对接：筛选出的靶点可直接传入蛋白结构预测、小分子/抗体设计技能，实现「单细胞数据→靶点发现→药物设计」的无缝衔接。 5. 组织尺度：宏观生理效应的精准还原 •尺度定位：覆盖空间转录组、空间蛋白组数据，还原组织内细胞的空间分布与微环境结构，解决传统工具丢失空间信息、无法预测药物在组织内真实生理效应的痛点，是实体瘤药物研发的核心支撑。 •对应官方精准技能（2个空间组学技能+跨尺度联动技能）： a.spatial-transcriptomics-foundation-model-stofm（空间转录组分析） b.spatial-transcriptomics-spatial-data-io（空间转录组数据IO与预处理） c.联动技能：单细胞全流程分析技能、靶点筛选技能、分子设计技能 •技能落地逻辑： 空间组学技能完成组织层面的空间结构解析，结合单细胞技能实现空间-单细胞联合分析，精准还原药物在组织内的真实作用场景： ￮空间数据预处理：调用spatial-transcriptomics-spatial-data-io完成空间转录组数据的质控与预处理； ￮深度分析：调用spatial-transcriptomics-foundation-model-stofm完成空间转录组大模型分析，解析肿瘤微环境的空间结构、细胞间空间通讯关系，筛选肿瘤组织特异性表达的靶点； ￮转化应用：结合单细胞技能验证靶点的细胞类型特异性，再对接小分子/抗体设计技能优化药物的组织穿透性与靶向性，解决传统小分子设计仅关注亲和力、忽略组织穿透性导致的临床失败问题。 二、横向全研发场景能力深度解析（全流程技能精准对应） 基于全尺度底层能力，项目完整覆盖生物医药所有主流研发赛道与基础科研场景，每个场景均有专属的技能组合与全流程解决方案，彻底摆脱传统工具「仅适配小分子单点环节」的局限。 1. 小分子药物研发全场景：从靶点发现到PCC化学有机合成确定的端到端闭环 •场景覆盖范围：完整覆盖小分子药物研发全生命周期，从早期靶点发现、先导化合物设计与优化，到成药性评价、安全性评价、逆合成路线规划，无环节断点。 •全流程环节与对应官方精准技能： 研发环节 对应官方精准技能全称 靶点发现与验证 disease-drug-intelligence、kegg-query、ppi-string-query、single-cell-scrna-seq-analysis-scanpy、uniprot-query 靶点结构解析 structure-prediction-boltz-2、protein-function-prediction 先导化合物发现 target-based-lead-design、drug-candidate-discovery、chembl-query、pubchem-query 先导化合物优化 text-based-molecule-editing、binding-affinity-prediction-prodigy、protein-ligand-binding-analysis-plip、drug-lead-analysis 成药性与安全性评价 admet-prediction、drug-drug-interaction-analysis、SIDER副作用预测（admet-prediction内置） 合成路线规划 retrosynthesis-planning 报告输出与文献支撑 target-drug-report、biomedical-literature-search •核心差异化优势：传统AIDD工具大多仅能完成「已知靶点的分子设计与单点性质预测」，而本项目实现了从靶点发现最上游到合成落地最下游的全流程自动化，biomed-skill-router可自动串联全环节技能，用户仅需输入疾病名称与研发目标，即可获得端到端的完整解决方案。 2. 抗体药/ADC药物研发全场景：从抗原验证到成药性优化的全流程覆盖 •场景覆盖范围：适配单抗、双抗、ADC等主流生物药赛道，覆盖从抗原靶点验证、抗体序列设计与亲和力成熟，到ADC linker设计、成药性与安全性评价的全流程。 •全流程环节与对应官方精准技能： 研发环节 对应官方精准技能全称 抗原靶点验证 single-cell-scrna-seq-analysis-scanpy、spatial-transcriptomics-foundation-model-stofm、uniprot-query、protein-function-prediction 抗原结构解析 structure-prediction-boltz-2 抗体序列与结构设计 antibody-structure-prediction-tfold、antibody-design-iggm 抗体亲和力成熟 binding-affinity-prediction-prodigy、protein-ligand-binding-analysis-plip、protein-mutation-analysis ADC药物全流程设计 联动抗体设计全技能、小分子药物设计全技能、protein-ligand-binding-analysis-plip 成药性评价 protein-subcellular-localization-prediction-biot5、protein-function-prediction、similar-protein-retrieval •核心差异化优势：传统抗体设计工具需极强的专业编程能力与生物信息学背景，且与小分子研发体系完全割裂；本项目实现了零代码的抗体设计能力，同时支持ADC等跨模态药物的全流程一体化设计，在同一平台完成抗体、小分子毒素、linker的全链条设计与验证，大幅降低生物药研发的技术门槛。 3. 基因治疗研发全场景：AAV载体设计与优化的专属能力 •场景覆盖范围：聚焦体内基因治疗的核心瓶颈——AAV衣壳的靶向性、转染效率与免疫原性优化，覆盖从靶向受体筛选、AAV衣壳突变设计，到安全性与有效性验证的全流程。 •全流程环节与对应官方精准技能： 研发环节 对应官方精准技能全称 靶向受体筛选 single-cell-scrna-seq-analysis-scanpy、spatial-transcriptomics-foundation-model-stofm、uniprot-query AAV衣壳设计与优化 mutation-design-aav、protein-structure-design-boltzgen、protein-mutation-analysis 转染效率与靶向性验证 binding-affinity-prediction-prodigy、protein-ligand-binding-analysis-plip 安全性评价 protein-function-prediction、similar-protein-retrieval、immunogenicity预测（protein-mutation-analysis内置） 文献与情报支撑 disease-drug-intelligence、biomedical-literature-search •核心差异化优势：全球极少数将AAV载体设计封装为标准化AI技能的开源平台，填补了传统AIDD工具在基因治疗领域的空白。传统AAV研发依赖耗时耗力的定向进化，而本项目通过mutation-design-aav可直接预测最优的衣壳突变体，将传统数月的研发工作缩短至数天，大幅减少湿实验工作量。 4. 细胞治疗研发全场景：从靶点筛选到CAR结构设计的全流程支撑 •场景覆盖范围：适配CAR-T、CAR-NK等主流细胞治疗赛道，覆盖从安全靶点筛选、CAR结构设计与优化，到安全性风险评估的全流程。 •全流程环节与对应官方精准技能： 研发环节 对应官方精准技能全称 安全靶点筛选 single-cell-scrna-seq-analysis-scanpy、spatial-transcriptomics-foundation-model-stofm、single-cell-foundation-model-scrna-seq-scgpt、CellxGene Census查询 靶点验证 uniprot-query、protein-function-prediction、kegg-query、ppi-string-query CAR结构设计 antibody-design-iggm、antibody-structure-prediction-tfold、protein-structure-design-boltzgen CAR功能优化 binding-affinity-prediction-prodigy、protein-ligand-binding-analysis-plip、protein-mutation-analysis 安全性风险评估 on-target off-tumor风险验证（单细胞+空间组学技能联动）、protein-function-prediction •核心差异化优势：传统细胞治疗研发依赖经验，靶点筛选效率低、临床安全性风险高。本项目通过单细胞+空间组学全尺度技能联动，精准筛选仅在肿瘤细胞表达、不在正常组织表达的安全靶点，同时通过AI完成CAR结构的全流程设计与优化，从源头降低临床脱靶毒性风险，解决了细胞治疗研发的核心痛点。 5. 生命科学基础研究全场景：普惠化的零代码科研工具集 •场景覆盖范围：完整覆盖生命科学基础研究的核心场景，包括多组学数据分析、分子与蛋白功能研究、通路机制解析、文献与情报挖掘等。 •全流程环节与对应官方精准技能： 科研场景 对应官方精准技能全称 多组学数据分析 单细胞全流程11个技能、空间组学2个技能、kegg-query 分子与蛋白功能研究 蛋白相关13个技能、分子生化相关2个技能、ppi-string-query 通路与机制解析 kegg-query、ppi-string-query、protein-function-prediction 文献与情报挖掘 biomedical-literature-search、disease-drug-intelligence 自定义科研流程 biomed-skill-creator、biomed-skill-router •核心差异化优势：将原本需要专业生信编程能力的复杂分析流程，封装为零代码的标准化技能，非计算背景的科研人员仅通过自然语言指令，即可完成复杂的组学数据分析、分子功能研究，同时可直接将分析结果转化为功能验证方案，真正实现了科研能力的普惠化。 三、全尺度+全场景能力的核心支撑：基础设施技能 项目的跨尺度、跨场景技能联动，完全依赖2个核心基础设施技能，实现了从「零散工具」到「自动化科研系统」的范式跃迁： 1.biomed-skill-router（生物医学技能路由器）：可自动解析用户的自然语言指令，将复杂的研发任务拆解为多个子任务，自动匹配对应的技能，自主调度执行全流程工作流，用户无需了解每个技能的具体功能，只需提出最终研发目标，即可获得端到端解决方案。 2.biomed-skill-creator（生物医学技能创建器）：支持用户通过自然语言交互，快速创建专属自定义技能，无论是自有训练的模型，还是本地的实验流程，均可快速封装为标准化技能，与官方45个技能联动使用，实现开源生态的无限扩展。 四、与传统AIDD工具的核心差异总结 对比维度 传统AIDD工具 OpenBioMed全尺度全场景平台 生物尺度覆盖 仅聚焦分子、蛋白尺度，丢失原子、细胞、组织层级关键信息 完整覆盖原子-分子-蛋白-细胞-组织全生物尺度，跨尺度技能自动联动，数据无缝流转 研发场景覆盖 仅适配小分子药物研发的部分环节，不覆盖生物药、基因治疗、细胞治疗等主流赛道 完整覆盖小分子、抗体药、ADC、基因治疗、细胞治疗全研发赛道，以及生命科学基础研究全场景 技能完整性 单点工具为主，流程严重割裂，需用户手动切换工具、导入导出数据 45个标准化技能全覆盖，智能体自动串联全流程，端到端完成从靶点发现到候选分子设计的全环节 使用门槛 极高，需专业的计算生物学、生信编程能力，仅适配专业计算人员 极低，零代码/低代码，自然语言交互，非计算背景的湿实验研发人员也可直接使用 生态扩展性 封闭体系，仅支持官方提供的功能，无法自定义扩展 完全开源，支持用户自定义创建技能，构建行业共建的开源生态 OpenBioMed技能Skill可执行多种功能的底层原理 深度解析 OpenBioMed的45个生物医药专属技能之所以能执行从原子级分析到组织级研究、从基础科研到药物研发全流程的各类功能，核心是“标准化封装+跨尺度数据联动+智能调度+开源生态扩展”四大底层逻辑协同作用，结合生物医药领域专属技术支撑，打破了传统工具的功能局限与数据壁垒，具体原理拆解如下，全程贴合官方技能特性： 需要特别说明的是，从技能布局与底层技术侧重来看，OpenBioMed的核心优势集中在小分子药物与类蛋白等大分子（抗体、AAV载体、酶等）领域，而在核酸（DNA、RNA、miRNA等）相关功能上存在明显短板，这一差异源于其底层技术设计与技能封装的侧重方向，具体可结合后续原理拆解进一步理解。 一、核心底层：标准化Skill封装，实现“功能模块化、调用通用化” 这是技能能实现多场景、多功能的基础前提，也是OpenBioMed区别于传统零散工具的核心底层设计，所有45个技能均遵循统一封装规范，确保每一个技能都能独立实现特定功能、同时可联动其他技能。 具体原理的核心的是“统一模块+规范接口”：每个Skill无论对应哪个领域（药物、蛋白、单细胞等），均包含「功能描述、输入参数、输出结果、错误处理、示例指令」五个标准化模块，完全兼容主流大语言模型（自研BioMedGPT、第三方Claude/GPT等）的工具调用规范。 示例：无论是药物相关的admet-prediction（ADMET成药性预测），还是蛋白相关的protein-structure-design-boltzgen（蛋白质结构设计），或是单细胞相关的single-cell-scrna-seq-analysis-scanpy（scRNA-seq分析），输入输出格式完全统一——均支持自然语言指令输入、标准化数据输出，无需额外适配即可实现跨类型技能的联动，为“多功能组合执行”奠定基础。 这种封装方式，让每个技能成为“可独立调用、可组合联动”的功能模块，既保证了单一技能的功能精准性（如binding-affinity-prediction-prodigy专注原子级结合亲和力计算），又能通过模块组合实现复杂功能（如ADC药物全流程设计，需联动抗体设计、小分子设计、结合分析等多个技能）。从技能布局来看，小分子与类蛋白大分子相关技能的封装最完善、数量最多，而核酸相关技能未单独作为一类进行标准化封装，仅能通过通用类技能间接支撑，这也是其短板所在。 二、技术支撑：跨尺度数据打通+专属模型赋能，覆盖全场景功能需求 技能能执行多样化功能，核心是底层技术支撑覆盖“原子-分子-蛋白-细胞-组织”全生物尺度，且每个技能均搭载生物医药专属模型/工具，确保功能的专业性与精准性，具体分为两大支撑维度： 1. 跨尺度数据无缝流转，打破功能割裂壁垒 OpenBioMed的底层数据架构，实现了全生物尺度数据的统一格式规范，让不同尺度的技能可实现数据互通，进而执行跨尺度的复杂功能。例如： •单细胞技能（如single-cell-scrna-seq-analysis-scanpy）筛选出的肿瘤特异性靶点基因，可直接传入蛋白技能（structure-prediction-boltz-2）进行靶点蛋白结构预测，无需手动转换数据格式； •蛋白技能（protein-ligand-binding-analysis-plip）解析的蛋白-配体结合模式，可直接同步至小分子技能（text-based-molecule-editing），用于先导化合物的位点修饰优化； •空间组学技能（spatial-transcriptomics-foundation-model-stofm）解析的组织空间信息，可联动单细胞技能，实现“细胞异质性+组织空间分布”的联合分析，支撑实体瘤药物研发的专属功能。 这种跨尺度数据打通，让技能不再是“单点功能工具”，而是能串联成完整的功能链路，实现从基础数据到实际应用的全流程功能覆盖。需要注意的是，这一数据联动体系主要围绕“小分子-蛋白-细胞-组织”展开，核酸相关数据（如核酸序列、核酸修饰、核酸与蛋白的相互作用等）未被纳入核心联动体系，缺乏专属的数据处理规范与流转通道，导致核酸相关功能无法与其他技能高效联动。 2. 专属模型/工具赋能，确保功能精准落地 每个技能均搭载生物医药领域专属的预训练模型、分析工具或数据库接口，确保功能贴合行业需求，而非通用化的泛功能，这是技能能执行专业功能的核心技术支撑： •药物相关技能：如admet-prediction搭载专属成药性预测模型，可精准计算药物的吸收、分布、代谢、排泄、毒性五大指标；retrosynthesis-planning结合有机合成规则模型，可自动生成小分子的逆合成路线；依托BioMedGPT-Mol等专属分子大模型，OpenBioMed在小分子理解、生成与优化等核心任务上达到SOTA水平，尤其在逆合成分析等传统难点任务上表现突出，这也是其小分子领域的核心优势所在； •蛋白相关技能：如antibody-structure-prediction-tfold采用TFold专属抗体预测模型，精准解析抗体可变区结构；mutation-design-aav搭载AAV衣壳突变预测模型，可直接输出最优衣壳突变方案；OpenBioMed集成了超过20个深度学习模型，其中多数聚焦蛋白结构预测、突变设计等方向，形成了完善的蛋白类大分子技术支撑体系； •组学相关技能：如single-cell-foundation-model-scrna-seq-scgpt采用scGPT单细胞大模型，可高效完成细胞类型注释、靶点筛选；spatial-transcriptomics-foundation-model-stofm基于STOFM空间模型，还原组织内细胞空间分布； •通用类技能：如biomedical-literature-search搭载生物医药文献检索模型，可精准抓取领域内核心文献；kegg-query直接对接KEGG通路数据库，快速获取通路与靶点关联信息。 对比来看，OpenBioMed未针对核酸领域开发专属技能与预训练模型，既没有核酸序列设计、核酸修饰分析、核酸药物（如siRNA、mRNA）研发相关的标准化技能，也缺乏适配核酸数据的专属模型，仅能通过kegg-query、biomedical-literature-search等通用技能间接获取核酸相关基础信息，无法实现核酸领域的专业化、全流程功能覆盖——这正是其与小分子、类蛋白大分子领域的核心差距，也印证了小分子和类蛋白等大分子是其强项，而核酸并非其核心布局方向。 三、智能调度：技能路由器赋能，实现“复杂任务自动拆解与执行” OpenBioMed的技能能执行多样化、复杂的功能，关键在于底层的biomed-skill-router（生物医学技能路由器）实现了智能调度，无需人工干预即可完成多技能的协同执行，具体原理如下： 1.自然语言指令解析：技能路由器可自动识别用户的自然语言需求（如“开发一款实体瘤ADC药物”），无需用户手动指定具体技能； 2.复杂任务拆解：将用户的核心需求拆解为多个子任务（如靶点筛选→抗体设计→小分子毒素设计→linker设计→成药性评价）； 3.技能自动匹配：根据每个子任务的需求，自动匹配对应的标准化技能（如靶点筛选匹配单细胞、空间组学技能，抗体设计匹配antibody-design-iggm等）； 4.全流程自主调度：按研发/科研流程，自动调度各技能依次执行，同步流转数据，最终输出完整的解决方案，实现“用户提需求，技能自动完成全流程功能”。 示例：用户输入“筛选肺癌特异性靶点并设计对应的先导化合物”，技能路由器会自动拆解为“单细胞数据解析→靶点筛选→靶点结构预测→先导化合物设计→亲和力验证”，依次调度single-cell-scrna-seq-analysis-scanpy、protein-function-prediction、structure-prediction-boltz-2、target-based-lead-design、binding-affinity-prediction-prodigy等技能，自动完成全流程功能，无需用户手动切换技能。 但这种智能调度能力仅针对小分子、类蛋白大分子相关技能，若用户提出核酸相关需求（如“设计siRNA序列并预测其靶向性”），技能路由器无法匹配到专属技能，仅能调用通用类技能提供基础信息，无法完成核酸相关的复杂任务调度，进一步体现了其在核酸领域的局限性。 四、生态扩展：自定义技能创建，无限延伸功能边界 除了官方提供的45个标准化技能，底层的biomed-skill-creator（生物医学技能创建器）支持用户自定义技能，进一步扩展功能范围，其底层原理是“自然语言驱动的技能封装”： 用户无需掌握编程或模型开发能力，仅通过自然语言描述自定义功能（如“自定义某类酶的突变分析流程”“对接自有实验数据的分析工具”），技能创建器即可自动将其封装为标准化Skill，遵循统一的输入输出规范，与官方45个技能联动使用。 这种生态扩展性，让OpenBioMed的技能功能不再局限于官方预设，可根据用户的个性化需求（如特定疾病的研发、专属实验流程的适配），无限延伸功能边界，实现“按需定制功能”。理论上，用户可通过该功能自定义核酸相关技能，弥补官方技能的短板，但这也从侧面说明，核酸相关功能并非OpenBioMed的原生强项，需要用户额外进行自定义扩展才能满足需求，而小分子、类蛋白大分子相关功能则无需额外扩展，官方已提供完整的技能体系与技术支撑。 五、底层逻辑总结 OpenBioMed技能能执行各种各样功能，本质是“标准化封装打基础、专属技术做支撑、智能调度提效率、开源扩展拓边界”的协同作用： 1. 标准化封装让技能可独立、可联动，解决“功能零散、无法协同”的问题； 2. 跨尺度数据打通与专属模型，解决“功能不专业、场景覆盖不全”的问题； 3. 技能路由器的智能调度，解决“复杂任务需手动操作、效率低”的问题； 4. 自定义技能创建，解决“个性化需求无法满足、功能边界有限”的问题。 四大底层逻辑相互支撑，让45个技能既能独立完成特定专业功能，又能协同执行全流程、跨场景的复杂任务，最终实现“全尺度、全场景、零代码”的生物医药研发与科研功能覆盖。结合实际技能布局与技术支撑来看，这一“全场景”覆盖的核心优势集中在小分子药物与类蛋白等大分子领域——官方不仅提供了完善的标准化技能，还搭载了专属预训练模型与跨尺度数据联动体系，可实现全流程自动化执行；而核酸领域由于缺乏专属技能、专属模型与核心数据联动支持，未成为其核心强项，仅能通过通用技能与自定义扩展实现基础需求，无法与小分子、类蛋白大分子领域的功能完善度相媲美。 OpenBioMed 蛋白结构核心枢纽 技术复用链路图（OpenBioMed 智能体的设计哲学） 核心逻辑：以「蛋白3D结构」为全局通用枢纽，一次计算、多赛道复用，串联小分子、抗体、ADC、基因药、细胞药全主力赛道，最大化降低技术冗余，贴合项目“高复用、低冗余”的定位设计 一、核心枢纽：蛋白3D结构（技术复用核心载体） 【核心支撑技能】：structure-prediction-boltz-2（蛋白结构预测）、protein-structure-design-boltzgen（蛋白质结构设计） 【核心输出】：蛋白三维结构、结合口袋信息、蛋白骨架结构、关键氨基酸位点 二、全赛道技术复用链路（清晰标注复用点+对应技能） （→ 表示“复用核心枢纽输出/技术”，👉 表示“复用亮点”） 1. 枢纽 → 小分子药物赛道（核心复用：蛋白结合口袋） 蛋白3D结构（结合口袋） → 对接以下小分子专属技能，无需额外搭建靶点分析体系 •target-based-lead-design（靶向先导化合物设计）：复用结合口袋信息，精准设计适配靶点的小分子 •binding-affinity-prediction-prodigy（结合亲和力预测）：复用蛋白结构，计算小分子与靶点的结合强度 •protein-ligand-binding-analysis-plip（蛋白质-配体结合分析）：复用蛋白结构，解析小分子与靶点的原子级结合模式 •admet-prediction（ADMET成药性预测）：复用靶点蛋白信息，辅助判断小分子成药性（如脱靶风险） 👉复用亮点：蛋白结合口袋一次解析，支撑小分子从设计、筛选到成药性评价全环节，无需重复计算靶点信息 2. 枢纽 → 抗体药赛道（核心复用：蛋白骨架/抗原结构）