Pyronaridine Phosphate

写在前面 上一席（第 19 席）写阿莫斯·拜罗赫时，我在文末的「诚实的清单」里写过一句： Swiss-Prot 今天的形态，至少一半属于罗尔夫·阿普韦勒及其团队。 这句话不是客套。它出自当事人自己——就在拜罗赫的讣告里，阿普韦勒亲口说明了那笔分工： 「他全身心投入细致的手动策展，而我专注于人员管理、基础设施、现代数据管理、自动化、标准化，以及争取经费。我们的讨论常常很激烈，有时甚至有争议，但始终富有成果。我们在质量、规模与可靠性之间锻造出的平衡，把这些资源塑造成了现代生物数据基础设施的基石。」 这一席，写那被分走的另一半。 一、2025 年：一个在十一月离世，一个在十月退休 时间上的巧合近乎刻意。 2025 年 11 月 29 日，阿莫斯·拜罗赫在日内瓦去世，六十八岁。 2025 年 10 月，罗尔夫·阿普韦勒从 EMBL-EBI 退休，结束了他在这家机构整整三十八年的职业生涯，现为研究所的 Visitor Emeritus。 两人搭档四十年，中间隔着阿尔卑斯山和英吉利海峡，多半时间靠邮件联系。拜罗赫自己说过一件事：阿普韦勒在 EMBL 海德堡做 Swiss-Prot 策展的那七年里，他们交换了无数封邮件，而拜罗赫只在偶尔造访 EMBL 时才见到他本人。 四十年后回头看，生物学最有影响力的蛋白质知识库，是由这样一对组合做出来的：一个在日内瓦定义「什么叫做对」，一个在剑桥定义「怎么让它跑到一亿条」。二、1987：一个来打零工的学生 阿普韦勒的起点低到不能再低。 他在海德堡大学生物学（方向是分子生物学与生物化学），也曾在英国的巴斯大学学习。1980 年代，还是学生的他申请了 EMBL 海德堡的一个学生助手（student helper）岗位。录用他的是 Patricia Kahn 和 Graham Cameron，交给他的活是给一个刚成立一年的瑞士数据库做数据策展。 那个数据库叫 Swiss-Prot。那一年是 1987 年。 接下来的履历有一个很不寻常的弯道：1987–1994 ：在 EMBL 海德堡做 Swiss-Prot 策展，且七年里大半时间是兼职；1991–1994 ：同时去 Boehringer Mannheim 做药物研发；1994 ：拿到海德堡大学的生物学博士学位；1994 ：成为 EMBL-EBI 的 Swiss-Prot 组组长，是七位从海德堡搬到英国辛克斯顿（Hinxton）、从零搭建这个新 outstation 的同事之一。 请注意这里的顺序：他做 Swiss-Prot 策展做了七年才拿到博士学位，中间还去了一家药厂。 这不是一份规划出来的职业路径，这是一份「一边干活一边把它做成职业」的路径。 而他 1994 年抵达的那个新机构，当时的规模是 7 名员工，办公地点是活动板房（portakabins）。三、1990 年代中期：数据每十八个月翻一番，人不可能 这是理解他全部工作的那把钥匙。他自己是这么说的： 「大约每十八个月，我们看到数据翻一番——大致吻合摩尔定律。当然，我们没法以同样的速度把人手翻一番，所以我们必须想办法改进生产力、存储和工具。」 1980 年代末做策展的人，面对的是每年新增几千条序列；1990 年代中期，面对的是基因组项目开始批量吐出几万、几十万条。策展是线性劳动，数据是几何增长。这个矛盾无法靠「多招人」解决。 阿普韦勒的回答是一连串工程，而不是一句口号。他在 EBI 先后发起了四个项目——TrEMBL、InterPro、蛋白质组分析（Proteome analysis）、CluSTr。前两个值得拆开讲。TrEMBL（1996）：泄洪区，但它是一个生产系统 上一席讲过 TrEMBL 的设计哲学：不让洪水稀释标准——新序列先全部进 TrEMBL（机器注释，明确标注未经审阅），再由人逐条提升到 Swiss-Prot。 那一席没讲的是它的工程难度。TrEMBL 不是「把核酸翻译一遍然后堆着」，它是一个有完整生产逻辑的系统：去重 ：与 Swiss-Prot 完全非冗余，已经收录的 CDS 不重复进入；分区 ：SP-TrEMBL（应当被并入 Swiss-Prot 的部分）与 REM-TrEMBL（不打算并入的部分）分开管理；CDS 级精确链接 ：这是最容易被忽略的一项。在此之前，蛋白质条目只能指向整条核酸序列条目——想拿酵母某条染色体上一个特定蛋白的编码序列，你得把整条染色体都下载下来。1996 年他们利用 CDS 上的 /db_xref 限定符中的 PID（Protein IDentification number），实现了「一条蛋白 ↔ 核酸条目里那一个 CDS」的双向精确定位。 最后这一条听起来琐碎，意义却不小：它让「跨库互操作」第一次有了残基级的粒度。InterPro（1999）：第一次把「整合」变成方法论 到了 1990 年代末，蛋白质家族签名的地盘已经碎成好几块：PROSITE（patterns 与 profiles）、PRINTS（fingerprints）、Pfam（HMM）、ProDom、SMART。每个库各有各的构建方法，各有各的覆盖偏好，各有各的假阳性特征。用户想判断一条未知序列属于哪个家族，得一个个查过去，再自己仲裁冲突结果。 1999 年 10 月，InterPro 的第一个 beta 版发布，2,423 条——它把 PROSITE 16.0、PRINTS 23.1、241 个 profiles 以及 Pfam 4.0 的 1,465 个 HMM 整合进一套统一的条目体系。 2001 年，InterProScan 发布：一个可扩展的 Perl 工具，用一条命令把序列对 InterPro 全部成员库的签名扫一遍。 这是阿普韦勒的方法论第一次完整显形：他不发明新的判别方法，他把已有的判别方法合并成一个可以被一致调用的接口。 这个动作本身没有任何算法创新，但它决定了后续二十年所有人注释蛋白质的方式。四、2002：把三份资产合并成一份 到 21 世纪初，世界上还有两套并行的蛋白质序列资源： 地点 传统 强项 Swiss-Prot + TrEMBL SIB（日内瓦）+ EBI（辛克斯顿） Dayhoff《图集》→ 手工精校 注释深度、可靠性 PIR-PSD 美国 NBRF → 乔治敦大学医学中心 1984 年建立的第一代蛋白序列库 家族分类、另一套注释传统 两库内容互补，注释哲学不同，硬兼容不如真合并。而推动合并的决定性力量来自资助方：NIH 要求把三个数据库合并为单一资源。一次从「挑错」开始的相识 PIR 一方的 Cathy Wu 后来回忆了两人的第一次见面： 「1997 年，在华盛顿特区的一次数学建模与科学计算会议上，我们第一次见面，讨论的是数据库里的注释错误。那次谈话后来促成了我们与 Rolf 一起建立 UniProt 联盟的伙伴关系，2002 年把 SIB、EBI 和 PIR 三支团队聚到了一起。」 ——两个后来把各自数据库合并的人，第一次见面聊的是对方库里的错。这不是段子，这是这个领域的做事方式：先互相挑错，挑到足够了解对方的标准，才谈得上合并。签字的那一天，和真正跑起来的那一天 2002 年，UniProt 联盟成立。2003 年 12 月 15 日，UniProt 正式发布。 但这里有一个很少被提到的细节：联盟 2002 年成立，而 Swiss-Prot 与 TrEMBL 两个库的发布节奏直到 2004 年才真正同步。 中间这两年，就是整合的真实成本——不是技术问题，是 两套发布流程、两套格式约定、两套质量控制口径、两支团队的日常工作节奏 要对齐。签署协议是一天的事，把两条流水线并成一条是两年的事。 最终落地的架构是三层：UniParc（UniProt Archive） ：非冗余序列存档，只回答「这条序列是否存在过」，每日更新；UniProtKB（Knowledgebase） ：核心层，分 Swiss-Prot（全人工审阅） 与 TrEMBL（自动注释 + 分类 + 大量交叉引用） 两部分；UniRef ：按 100% / 90% / 50% 同一性聚类的子集，用于加速检索。 其中 Swiss-Prot 42.6 版是第一个整合了 PIR 内容的 UniProt 版本。他最独特的一项工程：RuleBase 如果只能挑一件来代表阿普韦勒，我会挑这个。 手工注释永远追不上数据量，这一点在 1996 年就已经注定。但「追不上」有两种应对： 一种是放弃：让绝大多数序列永远只有机器注释； 一种是传导：把人工注释中可归纳的部分抽成规则，让规则去批量覆盖。 他做的是第二种。RuleBase 是一套规则管理系统，负责把 Swiss-Prot 条目里经过人工确认的注释，以标准化规则的形式传递给同源的 TrEMBL 条目——包括功能描述、结构域、亚细胞定位、关键词、酶学分类等等。 这件事的意义在于：它把「一条人工注释」从一次性的文本，升级成了可以复用的资产。 一条瑞士的策展人花两小时写下的判断，通过 RuleBase 变成上千条序列上的一致标注。 这正是上一席结尾那条论证的工程实现——1996 年 TrEMBL 的自动注释靠 PROSITE 的人工 pattern 驱动，2003 年后靠 RuleBase 与 InterPro 的规则体系驱动。三十年来，这个结构从未变过：人工精校的产物始终在喂养自动化流水线。规模 2003 年前后，阿普韦勒领导的团队约 100 名生物学家和程序员，同时负责 UniProt、InterPro、蛋白质组分析、CluSTr 以及 EMBL 核苷酸序列数据库（他自 2001 年秋起接管）。 UniProt 的资助结构本身也是三方拼起来的：NIH 的三年期资助为主，欧盟合同（经 EBI）、瑞士联邦政府（经 Swiss-Prot）、NSF 资助（经 PIR）为辅。 那篇 2003 年 12 月发表在 Nucleic Acids Research 上的《UniProt: the Universal Protein knowledgebase》，是他在 PubMed 上被引最高的论文，约 7,882 次。五、UniProt 之后：让别的数据也长成这样 如果他的故事止步于 UniProt，那已经足够进这份名单。但他接下来的二十年，做的是同一件事的横向复制。蛋白质组学标准（2002–2005） 他担任 HUPO 蛋白质组学标准 Initiative（PSI）的首任主席。当时蛋白质组学正面临和 1980 年代序列库一样的处境：每家实验室的质谱数据格式互不兼容，结果无法比较也无法复用。 PSI 在他任内推动了 mzML（质谱数据）与 gelML（凝胶电泳）等开放社区标准，以及后来的 ProteomeXchange（跨数据库的提交与分发协调机制）。 2007–2008 年，他出任 HUPO 主席。2004 年，他获得 HUPO 的蛋白质组学杰出成就奖。数据资源群 他的团队维护着 PRIDE（蛋白质组实验鉴定结果）与 IntAct（分子相互作用）两大数据集；他领导了 EMBL-EBI 对 Gene Ontology 的贡献；他还是 IUBMB 命名委员会（即「酶学委员会」）的成员——那个给每一个酶分配 EC 编号的机构。Open Targets 他担任 Open Targets 的 Director。这是一个公私合作的长期项目，用人类遗传与基因组数据做系统性的药物靶点识别与优先级排序。它的立项依据有一个很硬的统计：约九成的药物研发项目会失败，通常发生在投入数年、耗资数百万之后；而研究显示，当有遗传学证据支持时，一个药物最终上市的概率翻倍。2020 年之后 新冠疫情期间，他领导 EMBL-EBI 建设 欧洲 COVID-19 数据平台，并向包括时任德国总理默克尔在内的欧洲各国政府提供数据驱动应对的咨询。他当时反复讲的一句话是： 「共享的分类体系和数据标准极其重要，因为它让数据对所有人开放。在我看来，开放数据与开放科学为合作与创新创造了理想条件——这是一个我们必须持续大声重申的论点，免得它被当成理所当然。」 「免得它被当成理所当然」——这句话他讲了一辈子。我们稍后会看到这句话从哪儿来。六、2015–2025：从管理一个库，到管理「钱从哪来」 他在 EBI 的职务序列，本身就是一部机构成长史： 时间 职务 1994 EMBL-EBI Swiss-Prot 组组长 2001 秋 接管 EMBL 核苷酸序列数据库，任 Sequence Database 组负责人 2007–2012 与 Ewan Birney 共同领导蛋白质与核酸数据资源（PANDA 组，约 140 人） 2012–2015 Joint Associate Director2015.07.01–2024Joint Director（与 Ewan Birney） ，接替任职 14 年的 Janet Thornton 2024–2025 Associate Director 2025.10 退休，任 Visitor Emeritus 他和 Birney 接任时，EMBL-EBI 已经从 7 名员工长到约 600 名。 而他晚年投入最多心力的一件事，不在任何一个数据库里。Global Biodata Coalition：1996 年那 1500 封信的制度性回响 上一席写过 1996 年 Swiss-Prot 的经费危机：欧盟提案被否决、配套资金悬空、库差点在当年 6 月 30 日关闭，最后靠 39 个国家 1500 多封声援信、日内瓦州的紧急拨款和国家基金的两年期应急款救回。 那是一次侥幸。 而侥幸不会自动复制给下一个数据库。 GBC 的脉络是这样的： 时间 事件2015Nature  评论《Sustaining the big-data ecosystem》（作者为 NIH 的 Philip Bourne、Jon Lorsch、Eric Green）提出：生物医学大数据的组织与访问需要完全不同的商业模式，资助方必须协同 2015–2018 与资助方、资源管理者、资源用户的一系列会议 2016 国际研究组织负责人会议（HIROs）确认需要这样一个联盟 2017 指导小组成立 2018–2019 首批资金来自 NIH、NSF、Wellcome、A*Star2020GBC 正式启动 （秘书处、网站、Letter of Understanding）2022 首任执行主任（Guy Cochrane）就任；首批 Global Core Biodata Resources 遴选完成 2023 第二轮遴选；首份全球生物数据资源清单发布2025欧盟委员会通过 Horizon Europe 提供 500 万欧元、为期五年 ；秘书处落户 EMBL-EBI （需要说清楚：2015 年那篇 Nature 评论不是他写的，作者是三位 NIH 人士；他是 GBC 的发起者之一，不是拥有者。） 今天的 GBC 已经选出 52 个 Global Core Biodata Resources（UniProt 是 2022 年 12 月首批入选者之一）。它的遴选标准包括：免费开放、被广泛使用、成熟且权威、科学质量高、服务达到专业水准。 还有一个数字值得记：全球已有近百万篇学术论文引用了至少一个 GCBR 的数据集。 从 1996 年靠社区临时声援救回一个库，到 2025 年建成一个由各国资助机构组成的常设协调机制——这是一条走了二十九年的路，起点是日内瓦那封写着「它可能会在 6 月 30 日消失」的网页。 而阿普韦勒是这条路上唯一一个从头走到尾的人：1987 年他是给那个库做策展的学生助手，1996 年他做了 TrEMBL，2002 年他主持了三个库的合并，2025 年他退休时，把「别让核心数据资源再死一次」这件事交给了 GBC。七、为什么是第 20 席：整合是一种独立的能力 把最近三席连起来看，是本系列迄今最完整的一段因果链： 席位 人物 他让数据多出来的那一样东西 第 17 席Walter Goad （GenBank, 1982） 一个放得下、换得动、有人负责更新的地方 第 18 席Helen Berman （PDB, wwPDB, OneDep） 一种格式与一套可质疑的验证分数 第 19 席Amos Bairoch （Swiss-Prot, PROSITE） 一种「有人读过文献并签字」的质量承诺第 20 席Rolf Apweiler （TrEMBL, InterPro, UniProt）一种让上面三样东西覆盖一亿条序列的产能 前三者定义了「什么叫做好的数据」，第四者定义了「好的数据怎么被生产出来」。整合不是行政工作 一个常见的误解是把「整合」当成开会、签协议、统一命名。不是。Apweiler 的整合清单里全是硬工程：CDS 级 PID 双向链接 （1996）：让蛋白与核酸条目之间的引用精确到单个编码区；签名整合与冲突仲裁 （1999, InterPro）：把 PROSITE / PRINTS / Pfam / ProDom / SMART 五套判别方法压成一套条目体系；规则抽取与传导 （RuleBase）：把人工注释里可归纳的部分变成可执行规则；发布同步 （2002 决定 → 2004 实现）：两套流水线的节奏对齐；跨库交叉引用 ：UniProt 作为中枢连接 50 多个外部数据库。 三种「合并」的难度是递增的：合并数据（简单，移动字节就行）→ 合并格式（中等，需要字典与映射）→ 合并注释传统与质量承诺（最难，需要两套人马对「什么算对」达成共识）。 UniProt 是第三种。这也是为什么它从 1997 年那次「挑错」的谈话开始，走了整整五年才成立，又走了两年才真正同步。一个反直觉的观察 在这个领域的荣誉序列里，发明算法的人容易被记住，而让三套互斥系统变成一套的人常常被忘记。 原因很残酷：成功整合的标志恰恰是「好像本来就该是这样」。 2005 年之后入门的学生不会知道曾经要分别查 Swiss-Prot、TrEMBL 和 PIR-PSD，不会知道三个 accession 号指的是同一个蛋白，也不会知道从前跑一次 BLAST 还得先选库。他们只知道「去 UniProt 查」。 于是整合者的贡献变成了空气——无处不在，无人提及。 这就是第 20 席存在的理由。附：诚实的清单UniProt 是三方共同体，不是他的个人作品。  拜罗赫（质量与策展传统）与 Cathy Wu（PIR 一方的另一整个注释传统）各自是不可替代的一半。他自己也这么定位：「他负责精校，我负责基础设施与经费。」TrEMBL 的程序名源自 Thure Etzold  在海德堡写的 trembl 翻译程序；Bairoch 与 Apweiler 1996 年的 NAR 论文是它的正式起点。InterPro 的整合是 Terri Attwood 与众人推动的结果 ——她与拜罗赫 1992 年的第一次合并提案被拒，1999 年才做成。阿普韦勒是 EBI 一侧的推动者与发起人之一。GBC 是资助机构的联盟 ，他是发起者之一，不是拥有者。2015 年那篇 Nature 评论的作者是 NIH 的 Bourne、Lorsch 与 Green 三人。EMBL-EBI 的成长是集体成果 ，Joint Director 是他与 Ewan Birney 共享的职位，前任是 Janet Thornton（任职 14 年）。他没有发明任何至今仍在使用的核心算法。  动态规划、BLAST、隐马尔可夫模型、最大似然建树——都不是他的。他的贡献在另一个维度：产能、标准、互操作，以及让这些东西活下去的钱。回到那句分工 「他全身心投入细致的手动策展，而我专注于人员管理、基础设施、现代数据管理、自动化、标准化，以及争取经费。」 如果把它翻成一句更短的话，大概是—— 他负责让每一条都对；我负责让每一条都能被生产出来。 2005 年 9 月，Swiss-Prot 有 114,000 条，TrEMBL 有 700,000 条，PIR 有 283,000 条，三者通过 UniProt 一起被访问。 2026 年，UniProtKB 有 150,006,383 条记录，UniParc 存档了 10.5 亿条曾经存在过的序列，其中人工审阅的那一部分是 575,748 条。 这 57 万条是拜罗赫的。 而那一亿五千万条能被检索、能被 BLAST、能被交叉引用、能在周一早上照常发布——是阿普韦勒的。

【摘要】 以“干湿闭环”为核心的数据生成与验证能力正成为AI制药的核心竞争壁垒，湿实验产能与高质量数据已成为稀缺战略资产；大模型、药企、服务商三端共振下，行业景气度与研发外包需求有望持续上行。 【正文】 1、大模型端：科学大模型进入药企核心研发流程 市场关注大模型公司在医疗领域投入的方向和程度，9月以来进展包括：1）Claude Science接入MNC核心研发流程；2）Anthropic和Open AI等均在自建湿实验能力；3）大模型公司不仅在提升分子设计的能力，还在加深对于疾病生物学的研究。而国内企业在追逐模型能力的同时，也在构建细分领域积累独有数据的护城河。 1.1、海外：从“工具”到“智能体+湿实验” Anthropic自建湿试验能力，凭借强大的数据处理与模式识别能力加速科研发现与成果转化的进程。2026年9月18日，Anthropic正式在旧金山湾区建立湿实验室并招募生物化学科学家，该项目旨在利用其大模型Claude指挥自动化机器人单元开展生物实验。此前Anthropic斥资约4亿美元收购自动化实验平台Coefficient Bio，发布了科学智能体控制标准MHS。9月22日，Anthropic发布Claude Opus 5.5的系统卡，在Denovo蛋白binder设计中，Opus 5.5得分82.6%。9月23日，Anthropic官网公布其生命科学研究组及实验室研究成果，约950个Claude智能体并行工作21小时，消耗约2.1亿个词元，先从近20万个逆转录酶中筛出约3500个候选系统，再聚焦20个重点对象，在人类研究者仅给出高层检索方向的情况下，自主发现一种此前未完整表征、存在于噬菌体中的酶系统，命名为阵列相关逆转录酶（ART）。 OpenAI通过领投生物安全初创公司Red Queen Bio，正式切入AI生物防御领域。2026年9月28日，《华尔街日报》报道，OpenAI投资的生物安全初创公司Red Queen Bio累计融资3600万美元（约2.4亿人民币），资金用于研发可对抗多种病毒的抗体药物，其中包括未来有可能由AI系统制造出的病毒。技术路线上，公司用AI设计能紧密结合病毒靶点的抗体，再培育细胞在实验室里生产和测试候选分子，结果回流模型继续迭代，形成设计与实验的闭环。落地节奏上，公司先从禽流感及其他流感病毒做起，2027 年启动首批临床试验，后续再扩展到冠状病毒、埃博拉类病毒和天花近亲。 Isomorphic Labs的药物设计引擎IsoDDE首次展示AI如何自主设计药物，仅花费2-4天可在10的60次方里找药。IsoDDE在低同源新靶点-配体组合上的精度较AlphaFold 3提升2倍以上、抗体CDR-H3建模成功率70%（AlphaFold 3为58%），2026年5月Isomorphic Labs完成21亿美元B轮融资,与Novartis、礼来、强生推进合作管线，内部管线聚焦肿瘤与免疫。9月29日，Isomorphic Labs首次公开AI自主设计药物的工程，IsoDDE以智能体形态自主运行2-4天，在化学空间中设计出了功能性分子，而作为对照的文献分子估计耗费了原作者3-5年的时间。 英伟达披露其蛋白质设计模型Proteina-Complexa模型的湿实验验证论文。2026年9月18日，英伟达官网上线了配套大规模湿实验验证论文，介绍了其湿实验的方法和过程：1）首先进行了历史上最大规模结合子基准测试，其湿实验验证主要完成了127个靶点、100万个设计任务的大规模AI设计+噬菌体展示高通量初筛，并对筛选得到的阳性hit做生物物理验证与结构解析；2）其次还针对PDGFR、Nipah病毒、肌萎缩受体（ActAIR）、激酶微型蛋白和肽、碳水化合物靶点进行验证。此前英伟达宣布与礼来五年最高10亿美元联合创新实验室、与默沙东共建KERMT基础模型。 苹果研究团队发布SimpleDesign AI蛋白质设计模型。苹果旗下的机器学习研究院发布了旗下首个AI蛋白质设计模型SimpleDesign的预印本，这是一款蛋白质序列与结构代码设计的联合模型，省去传统“先结构tokenizer再生成”的多阶段流程，在超过200万序列-结构对上训练，延续SimpleFold思路。 艾伯维、Astex、BMS、强生、武田联手训练出一个AI蛋白模型，打败开源版AlphaFold 3。2026年9月14日，Nature官网头条报道了一项来自AISB网络的成果：由艾伯维、Astex、BMS、强生、武田这5家药企组成的联盟，使用20167组私有蛋白质-配体结构数据，对开源版AlphaFold3—OpenFold3进行联邦学习微调，开发出AISB-1-Fed模型。结果表明：在1056组未参与训练的测试样本中，AISB模型高质量预测占比52.1%，公开版OpenFold3仅35.6%，开源竞品Boltz-2为40.9%。 1.2、国内：模型迭代与数据基建 英矽智能：2026年9月7日公司与单细胞/多组学企业墨卓生物达成战略合作，为Panda Omics与虚拟衰老细胞（VAC）平台规模化导入“AI-Ready”真实实验数据；9月24日公司预告Pharma.AI秋季更新（美东时间9月30日发布），核心是“智能体层（Agentic Layer）”崛起与MCP（模型上下文协议）全线部署，使自主智能体可直连其生物学、化学与大分子设计引擎；其MMAIGym训练框架已与LiquidAI（联合训练LFM2-2.6B-MMAI逆合成模型）、腾讯健康等达成合作。产出端，公司2026年前9个月提名9个PCC，自研与合作管线中顺利达成了8个临床里程碑，全球首个AI赋能的FIC候选药物Rentosertib（ISM001-055）已进入IPF适应症的III期临床。 晶泰科技：9月21日升级科学智能体平台XtalPiScience，开放80余项专有科学技能与工具、智能体接入机器人实验室，覆盖靶点调研、分子生成、逆合成路线预测、LC-MS谱图解析等环节；其已全球部署超300台AI机器人实验工站、建成逾5000平方米机器人实验室，累计开发超200个专业模型、服务全球300余家企业与科研机构。 华大智造+百图生科：2026年9月11日，双方围绕“设备+模型+智能体”联合构建专属细胞大模型—百图2680亿参数的xTrimo生命科学基础大模型已在300余个预测任务达到业界顶尖水平，双方将面向虚拟细胞（AIVC）与虚拟扰动搭建高质量数据基础设施；华大子公司涌生智能与上海人工智能实验室联合发布ProtoPilot（将实验意图拆解为可执行方案，非开放式问答任务准确率85.18%、超越专家水平）与BioLabBench（领域首个全流程Agent评测体系） 广药集团+华为：2026年9月17日，双方启动AI制药联合创新实验室，将联合行业头部生态伙伴，围绕小分子、抗体、核药、中药等方向开展AI创新研究；以昇腾、鲲鹏算力为底座，联合开展算子开发、算法优化，实现AI 药研智能体与模型在算力平台的落地部署。 2、药企端：通过自建和合作加速AIDD能力建设 MNC在AI的布局和合作类型可以分为三类：1）模型进入研发主流程，药企通过跟大模型公司合作提升研发效率，如诺和将Claude Science引入研发工作流；2）构建平台湿试验网络生态，药企提供自有临床数据集（重要的是阴性数据），共同迭代模型共享成果，如礼来推出协作式联邦AI/ML药物发现平台TuneLab；3）合作专业模型加速特定疾病领域或特定分子模态的开发。中国公司也从单纯的合作管线延申到平台数据的合作，药企也在加速AIDD能力的建设。 2.1、海外：生态型合作密集落地 诺和宣布与Anthropic合作，将Claude用于药物发现。2026年9月16日，诺和（Novo）与Anthropic宣布达成合作，双方将利用Anthropic的人工智能（AI）模型及Claude Science支持药物发现与研发。合作将针对诺和科学家和计算科学团队确定的关键药物发现挑战，共同开发针对特定科学问题及研发工作流程的解决方案，以支持生物学推理并推动新药发现和开发。作为合作的初步重点，诺和将测试Claude Science在特定研发工作流程中的应用，并优先探索双方能力结合有望产生较大影响的科学问题。诺和还将使用Anthropic的模型支持AI驱动的软件开发，以进一步扩大AI工具在公司内部的应用。 礼来一天达成3项AI制药相关合作，展现对高质量数据的需求。2026年9月16日，礼来签下Twist（抗体表征数据）、Ginkgo（小分子ADME与抗体成药性）、金斯瑞（蛋白表达、纯化与表征）三家，共同为Lilly TuneLab参与企业提供“AI预测→湿实验验证→数据回流”的闭环服务；TuneLab采用联邦学习模式，参与企业可以使用基于礼来数十年研发数据训练的AI预测模型，更快地完成候选分子筛选；作为交换，企业产生的实验数据通过联邦学习机制反馈至平台，用于持续优化模型，且无需共享原始专有数据。 艾伯维9月连签两单，深化AI在制药领域的应用。2026年9月22日，Abbvie宣布与AI制药公司Iambic开展多年期合作，使用Iambic的Enchant v3（多模态AI模型，负责同时分析药物研发中的多类数据）和NeuralPLexer（用于分子结构和相互作用预测）两项核心技术，在免疫、神经科学和肿瘤三大领域推进小分子药物发现。9月29日，AbbVie宣布与生命科学AI平台Valkai 达成合作，将AI引入临床开发。 罗氏布局自动化实验室，目标2030年推出20种新分子实体。2026年9月28日，罗氏在伦敦召开Pharma Day投资者日，宣布已开始建设自主AI实验室，并将在研发上追求“AI自主可控”。2025Q4–2026Q2，罗氏40%的管线决策有可追踪的AI/计算贡献，Q2单季达到44%。AI贡献进一步细分后，关键性贡献占41%，支持性占48%，参考性仅占10%。AI赋能下，罗氏目标III期临床试验的成功率从2025年的65%跃升至2026年底的80%以上。资金层面，罗氏计划将约20亿瑞士法郎（约合24.1亿美元）研发结余资金重新调配，投向研发项目与效能提升。公司目标到2030年，最多向市场推出20个新分子实体（NME），大多数药物的峰值销售额潜力超过30亿瑞郎。 Earendil Labs与基因泰克（罗氏旗下）达成双抗发现合作。2026年9月24日，Earendil Labs（华深智药海外公司）宣布与罗氏旗下基因泰克达成一项首付5000万美元、潜在总额超15亿美元的研究合作，双方将聚焦肿瘤学领域，共同发现并开发多个治疗性双特异性抗体项目。Earendil Labs是一家聚焦于应用下一代人工智能重塑蛋白质治疗发现的生物技术公司，开发了集成深度学习与高通量生物学的专有平台，结合了深度学习、生成性蛋白质工程、结构生物学与高通量实验验证技术，用于高效发现和优化新型抗体。 2.2、国内：交易清单继续拉长 英矽智能：2026年内已披露9项BD合作，潜在最大总合约价值约73亿美元，合作方覆盖礼来、施维雅、武田、SK生物制药、齐鲁制药、康哲药业等。9月21日，公司公告与一家前沿基础模型实验室达成最高数千万美元的联合开发合作——依托MMAIGym共建“面向生成式生物学的专用基础模型”，英矽智能提供专有数据集并承担闭环式湿实验验证，双方按收益共享模式推进全球商业化。 晶泰控股：2026年9月17日，晶泰科技全资子公司LCC Technologies与斯坦福大学达成药物发现合作协议，双方将结合斯坦福大学在疾病生物学研究领域的专业能力，与LCC机器人自动化、数据驱动的PACE™小分子药物发现平台，共同评估新的生物学发现，探索其开发为小分子治疗药物的潜力。与Dove Tree围绕一系列“指定靶点”进行小分子与抗体药物的发现与优化的合作已累计收款7000万美元，潜在里程碑总额最高58.9亿美元（约合462亿港元）。 德睿智药：2026年9月28日，公司宣布与三生制药蔓迪药业就AI设计的口服小分子GLP-1受体激动剂MDR-001达成中国内地、香港及澳门独家商业化合作，潜在总额最高人民币17.5亿元（最高1.5亿元合作权付款+最高16亿元特许权使用付款）。MDR-001是德睿智药依托全链路AI制药引擎MAP自主研发的口服小分子GLP-1受体激动剂，目前正在中国开展针对成人肥胖或超重人群的III期关键临床研究（MOBILE试验）。 传统药企的AI布局同样在加速：2026年9月16日，安科生物与深势科技围绕ADC payload设计与优化开展AI4S合作；9月18日，维亚生物和西点药业达成AI驱动反向寻靶研发合作；9月29日，博安生物中报披露正在与深势科技共建“科学智能体+药物智能发现平台+全新机制生物创新药”模式。 3、湿实验建设：从外包服务到战略基建 AI赋能药物研发会先带来研究工具与数据生成需求，AI闭环转得越快，越依赖湿实验吞吐，我们预计实验室需求预计会比AI赋能药物研发项目数量增长的更快。湿试验作为各类模型的重要数据出口，已经成为了各家企业的战略资产，9月以来全球湿试验产能的“军备竞赛”在加速。 海外：自主实验室与超级数据集。 1）药企端：罗氏宣布建设自主化AI实验室；Anthropic在旧金山湾区搭建生物实验室，把“干湿闭环”纳入自身研发体系；礼来与英伟达以五年最高10亿美元共建“计算—自动化实验”联合创新实验室。 2）平台端：Recursion保持每周约220万次湿实验吞吐与65PB专有数据；Iambic的闭环系统中机器人实验室每周合成与测试数百个化合物、数据回训模型；Ginkgo Datapoints以自动化方式为TuneLab提供AI-Ready数据生成；Basecamp Research的“万亿基因图谱（Trillion Gene Atlas）”由英伟达、Anthropic、PacBio等共建，覆盖30多个国家的数据合作网络。 国内：产能与数据基建竞赛。 金斯瑞于2026年9月11日公告以每股30.50港元配售7712.6万股新股，募资净额约23.3亿港元，其中约70%净额投向AIDD湿实验产能、自动化、设备与实验室升级；晶泰科技在深圳、上海运营上万平方米自动化实验室集群，9月平台升级后内部数据收集效率提升40倍以上，一支15人化学家团队月交付超2万条反应数据；百图生科与和铂医药共建“Mega Stream TechBio”智能高通量干湿闭环实验室（验证效率目标提升500%以上、未来五年预计产出超5PB数据、并行推进数百条FIC/BIC管线）；英矽智能发布Lab Claw智能实验室系统（5个协作智能体+28项技能模块，构建从靶点发现到自动化实验的全链路闭环）；华大智造子公司涌生智能与上海人工智能实验室联合发布Proto Pilot与BioLab Bench，打通“自然语言实验意图→湿实验执行”；墨卓生物以微流控单细胞技术为英矽规模化交付AI-Ready数据；百普赛斯发布CHO-Direct快速表达等三大新品，聚焦AI药物研发的湿实验验证解决方案。 风险提示 模型迭代与临床进展不及预期、合作落地与商业化兑现不及预期、行业竞争加剧、数据合规与监管政策变化风险等。 参考研报 20261007-国泰海通-行业跟踪报告-AI制药9月跟踪报告 免责声明 本报告仅提供给九方金融研究所的特定客户及其他专业人士，用于市场研究、讨论和交流之目的。 未经九方金融研究所事先书面同意，不得更改或以任何方式传送、复印或派发本报告的材料、内容及其复印本予以任何第三方。如需引用、或经同意刊发，需注明出处为九方金融研究所，且不得对本报告进行有悖于原意的引用、删节和修改。 本报告由研究助理协助资料整理，由投资顾问撰写。本报告的信息均来源于市场公开消息和数据整理，本公司对报告内容（含公开信息）的准确性、完整性、及时性、有效性和适用性等不做任何陈述和保证。本公司已力求报告内容客观、公正，但报告中的观点、结论和建议仅反映撰写者在报告发出当日的设想、见解和分析方法应仅供参考。同时，本公司可发布其他与本报告所载资料不一致及结论有所不同的报告。本报告中的信息或意见不构成交易品种的买卖指令或买卖出价，投资者应自主进行投资决策，据此做出的任何投资决策与本公司或作者无关，自行承担风险，本公司和作者不因此承担任何法律责任。 上海九方云智能科技有限公司-投资顾问：朱仕平 登记编号：A0740625120040