Massachusetts Institute of Technology

为该平台开发的通用AI模型将化学与疾病生物学联系起来，从而高效生产能够恢复病变组织细胞功能的药物。从该平台诞生的首个候选药物CLY-124，目前正处于治疗镰状细胞病的I期临床试验评估阶段。 生物技术公司Cellarity宣布，其一篇阐述如何整合先进转录组数据集与AI模型以改进药物发现框架的论文已在《科学》杂志正式发表。该公司致力于通过整合多组学与AI建模开发细胞状态校正疗法。 Cellarity通过聚焦于定义和调控细胞状态的通路连接与相互作用网络，针对复杂疾病设计新型疗法。公司构建了一个强大的发现平台，利用高维转录组学以单细胞分辨率绘制这些相互作用图谱。 为该平台开发的通用AI模型将化学与疾病生物学联系起来，从而高效生产能够恢复病变组织细胞功能的药物。从该平台诞生的首个候选药物CLY-124，目前正处于治疗镰状细胞病的I期临床试验评估阶段。 Cellarity首席数据官Parul Doshi表示："我们相信，对细胞状态的全面审视将帮助我们创造能够纠正疾病根本机制的更好疗法。我们先进的平台使我们能够有效可视化这一动态过程，并识别最适合纠正疾病状态的新型干预措施。这篇发表在《科学》杂志上的论文描述了为我们平台提供依据的评估工作，强调了成功整合先进转录组学和计算工具所需的严谨性与独创性，以实现新型候选疗法的高效发现。" 该论文提出了一个可重复且通用的蓝图，用于将机器学习方法整合到药物研发项目中，以最大化发现潜力。该蓝图通过采用由高通量转录组学驱动的、主动的"实验室在环"深度学习框架，解决了传统表型药物筛选的诸多局限性。通过根据实验结果持续优化预测，该框架证明其表型活性化合物的回收率比行业标准方法提高了13至17倍。 该论文的合著者、Cellarity联合创始人、麻省理工学院医学工程与科学Termeer教授Jim Collins博士补充道："近几十年来，药物发现过程一直在努力提高其成功率。这部分归因于传统上关注单一靶点，而疾病的驱动因素通常比单一基因突变更为复杂。通过分析驱动疾病病理生理学的表型联系以及早期候选物的多药理学考量，这个深度学习平台展现出加速发现进程并为复杂疾病引入有效新型口服疗法的强大潜力。" 开源数据集发布 配合《科学》杂志的论文发表，Cellarity同时发布了涵盖多种数据模式的单细胞数据集，以促进学界参与、模型基准测试，并进一步深入了解化学扰动下细胞状态的细微差别。 一个用于在论文中对Cellarity平台进行基准测试的扰动转录组数据集，包含超过1,700个样本，涵盖126万个单细胞，可用于跨细胞类型的药物反应映射或扰动预测方法的进一步基准测试。 Cellarity还发布了一个结合转录组学、表面受体和染色质可及性的单细胞多组学造血图谱，用于创建这一复杂而必需生物过程的多层画像，该图谱在论文中被用于生成巨核细胞生成和红细胞生成的细粒度特征。 第三个数据集捕获了扰动下巨核细胞分化过程的时间序列，可用于绘制巨核细胞成熟轨迹、探究时间分辨的药物效应，或支持模型基准测试和训练。对这些重要数据进行公开分析，可能会对细胞动力学产生新的见解，并催生加速整个行业药物发现进程的新方法。（生物谷Bioon.com） 参考文献： Benjamin DeMeo et al, Active learning framework leveraging transcriptomics identifies modulators of disease phenotypes, Science (2025). DOI: 10.1126/science.adi8577.

在科学研究的道路上，计算与实验如同双翼，共同推动着人类认知边界的扩展。然而，计算虽能高速模拟与预测，但实验却仍是瓶颈——操作依赖人力、细节易出错、技能难传承。 有没有一种方法，能让AI不仅“想”得到，还能“看”得见、“做”得成？ 现在，来自斯坦福大学和普林斯顿大学的华人团队给出了答案——将人工智能（AI）与扩展现实（XR）技术结合，打造出了一个能真正与人类科学家（Human Scientist）携手工作的“Al协作科学家”（AI Co-Scientist）。 该研究以：LabOS:The AI-XR Co-Scientist That Sees and Works With Humans为题，发表在了预印本平台arXiv上，斯坦福大学丛乐教授和普林斯顿大学王梦迪教授为论文共同通讯作者。 该研究开发了一个Al-XR Co-Scientist——LabOS，这是一个融合了人工智能（AI）与扩展现实（XR）的前沿科研协作平台，旨在通过智能感知与虚实交互技术，重新定义科学研究的边界，让AI真正“看见”并与人类科学家协作。 LabOS是首个将计算推理与真实实验相结合的AI协作科学家（AI Co-Scientist），它通过多模态感知、自进化AI智能体以及XR支持的人机协作来实现这一目标。 通过连接多模态AI智能体、智能眼镜和人机协作，LabOS使AI能够“看见”人类科学家所看到的内容，理解实验背景，并在实验操作过程中实时提供协助。在从癌症免疫疗法靶点发现到干细胞工程等各类应用中，LabOS展示了AI能够超越计算设计，实现参与，将真实实验室转变为一个人类和机器发现共同演进的智能协作空间。 什么是LabOS？——从“思考”到“动手”的全能助手 LabOS不是简单的自动化工具，而是一个融合多模态感知、自进化AI智能体与XR交互的智能平台。其核心由四类AI智能体组成： 规划智能体：将科学目标分解为可执行的模块； 开发智能体：生成代码并执行复杂分析； 批评智能体：评估结果并优化流程； 工具创建智能体：从文献与数据中自主扩展工具库。 LabOS：科学实验室中的人类-AI多模态协作 这一架构使LabOS能自主完成从假设生成、实验设计到数据分析的完整科研流程，并通过持续学习不断进化。在生物医学推理基准测试中，LabOS在人类的最后考试：生物医学（Humanity’s Last Exam:Biomedicine）中达到了32%的准确率，在LAB-Bench:DBQA中达到了61%的准确率，领先现有模型达8%，且性能随使用时间提升。 让AI“看见”实验室——视觉语言模型的突破 实验室环境的复杂性，对AI的视觉理解提出了极高要求。例如，如何判断操作是否无菌？步骤是否合规？为此，团队构建了LabSuperVision（LSV）基准——包含200多个真实实验视频，由专家标注步骤、错误与参数。测试发现，即使顶尖AI模型（例如Gemini、GPT-4o）在协议对齐与错误识别任务中得分仅2-3分（满分5分），远未达到实用水平。 研究团队以此为基础训练了LabOS-VLM，通过监督微调与强化学习，使模型能精准解析实验视频。例如，在CRISPR基因编辑实验中，它能实时识别操作错误（例如试剂孵育时间偏差），并生成步骤指导。LabOS-VLM-235B版本在错误检测中准确率超90%，成为实验室视觉推理的可靠“眼睛”。 LabOS-VLM用于实验室视觉推理 XR眼镜：人类-AI协作的“桥梁” LabOS的湿实验模块通过扩展现实（XR）眼镜实现与人类科学家的无缝交互。研究人员佩戴轻量级AR眼镜，实时传输第一视角视频至AI服务器。AI每5-10秒分析视频片段，返回结构化指令： 步骤指导：在显示屏上渲染协议步骤； 错误提示：检测到偏差（例如无菌操作失误）时立即告警； 手势交互：支持语音与手势控制，避免污染。 同时，系统通过多视角相机与高斯泼溅算法构建实验室的3D/4D数字孪生，支持场景回放与模拟训练。这一设计不仅提升操作精度，还将专家经验数字化，助力技能传承。 基于XR眼镜的LabOS实现了真实实验室中基于空间的人类-AI协作 实战验证：从靶点发现到干细胞工程 LabOS在三大生物医学场景中展现了其价值： 癌症免疫治疗靶点发现：LabOS分析了CRISPR激活筛选数据，通过多步推理将CEACAM6从低优先级基因提升为NK细胞抗肿瘤的关键靶点，并自动关联TCGA患者数据验证其临床意义。湿实验证实，CEACAM6的激活，显著增强了肿瘤对NK杀伤的抵抗。 细胞融合机制研究：AI智能体提出，ITSN1为细胞融合调控因子，研究团队通过CRISPR干扰实验验证了其功能，展示了LabOS从假设生成到湿实验验证的闭环能力。 干细胞工程指导：在iPSC的基因编辑与慢病毒转导实验中，LabOS通过XR眼镜实时指导操作，记录专家流程，并辅助新手规避常见错误，实现“AI导师”功能。 LabOS展示了AI Co-Scientist的潜力：它是一个能观察、推理并协助实验室运作的系统。通过将AI智能体与实时的、XR引导的人机交互以及数据驱动的推理相结合，它能够加快发现速度、实现可重复训练以及精确操作。在各种应用场景中——包括假设生成、自动化文档记录、错误纠正、快速技能转移、iPSC实验指导以及对NK细胞-肿瘤通路和细胞融合调控因子的洞察——LabOS将实验室转变为一个适应性强、协作性高的工作空间，让人类科学家与AI Co-Scientist并肩工作，共同加速发现进程、生成可复现的科学成果，并共同进步。 未来展望：科学发现的“共进化” LabOS的诞生标志着实验室进入人机协作的新纪元。它不仅加速发现进程，更通过标准化记录与实时反馈，提升研究的可重复性。未来，随着AI与XR技术的深度融合，LabOS有望成为每个实验室的“标准配置”，让人类直觉与机器共进化，共同拓展科学边界。 LabOS不是取代科学家，而是成为人类科学家的“同事”。当AI能看见我们的所见、理解我们的动作、并从中学习，实验室将不再只是摆满科学仪器的房间，而是一个充满智能的探索空间。 丛乐 丛乐，2009年本科毕业于清华大学生物系，2014年获哈佛大学博士学位，博士期间主要在张锋实验室学习，2013年作为第一作者在Science期刊发表了CRISPR基因编辑领域里程碑论文，首次将CRISPR基因编辑系统应用于哺乳动物基因编辑。 王梦迪 王梦迪，本科毕业于清华大学自动化系，23岁时获得麻省理工学院（MIT）电子工程与计算机博士学位，同年加入普林斯顿大学任助理教授，29岁时获得普林斯顿大学终身教职。 论文链接： https://arxiv.org/pdf/2510.14861 本文转自【生物世界】公众号 --------- End --------- 感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。

点击蓝字 关注我们 项目链接： GitHub：https://github.com/HannesStark/boltzgen 致一生物已构建并持续更新基于前沿AI模型的分子设计体系，目前平台已正式接入BoltzGen模型，实现从结构预测到功能生成的完整流程。 引言 在蛋白质科学与药物研发领域，人工智能正推动研究方式发生根本变化。 自AlphaFold解决蛋白折叠预测问题以来，结构生物学进入了由AI主导的加速阶段。 但目前主流模型仍以“预测”为核心——它们能推断蛋白的形态，却无法直接“创造”能与目标结合的分子结构。 从头设计（de novo design）仍是蛋白工程的难点。 传统方法依赖能量函数与分子动力学模拟，精度高但计算量巨大，难以在复杂体系中实现高通量筛选。 同时，这类方法往往只适用于单一类型目标（如蛋白–蛋白互作），缺乏在小分子、RNA等多模态对象上的泛化能力。 麻省理工学院（MIT）与多家研究机构合作，提出了BoltzGen模型——一种在原子层面统一蛋白折叠预测与结合体生成的AI体系，旨在提升分子设计的效率与物理合理性。 研究成果以“BoltzGen: Toward Universal Binder Design”为题发布，模型代码已在 GitHub 开源。 BoltzGen 设计与验证流程示意图 展示模型从多模态靶点输入到结合体生成、 筛选与评估的完整计算管线 Part.1 一、研究思路：        从Boltzmann分布到生成体系 “BoltzGen” 的命名来源于物理学家 Boltzmann，其核心思想是在能量分布约束下进行结构生成。 研究团队希望让模型在学习分子三维空间规律的同时，遵循能量面分布，从而生成物理上稳定的构象。 为此，BoltzGen 采用了扩散式生成结构框架，并引入能量一致性约束，使模型在逐步去噪的过程中同时学习结构几何与结合规律。 与传统基于离散残基的模型不同，BoltzGen 直接在连续坐标空间建模原子级特征，使其生成的结构既符合化学键约束，又保持几何合理性。 BoltzGen 的总体架构， 包括 Trunk 主干网络与 Diffusion 模块的协作方式， 以及新增的条件输入 Part.2 二、模型实现：        几何连续表示与联合训练机制 BoltzGen的核心结构由两个部分组成： 主干网络（Trunk）与扩散模块（Diffusion Module）。 Trunk 负责处理输入的目标信息，生成分子间的成对特征（pairwise representations）；扩散模块则基于这些特征逐步“去噪”，输出最终的三维坐标。 在训练方式上，BoltzGen 采用了联合学习机制，在同一体系中同时进行蛋白折叠预测与结合体生成任务。 这种策略使模型在学习蛋白结构稳定性的同时，也能掌握结合界面形成的物理规律。 此外，研究团队提出了可控的设计规范语言（Design Specification Language），研究者可以通过设定结合位点、空间约束或特定结构特征，引导模型生成符合目标要求的分子结构。 这一机制让BoltzGen能在蛋白、肽、纳米抗体、小分子等多种体系中灵活切换，实现跨模态生成。 模型直接在连续三维坐标空间中学习残基与原子间的几何关系， 从而替代传统的离散残基标签表示 Part.3 三、实验验证：        从模拟到实证 研究团队在 8 项湿实验验证中共测试了 26 个靶点，涵盖蛋白质、肽类、纳米抗体等多种结合体类型。 在 9 个未出现在训练集的新靶点实验中，BoltzGen 生成的结合体中有66%达到纳摩尔级（nM）亲和力，显示出较强的泛化能力。 BoltzGen 在多靶点实验中的整体表现， 66% 的新靶标获得纳摩尔级亲和力 在单一体系验证中，多个实验进一步证实了模型输出的可行性： 在无序蛋白NPM1的实验中，AI 设计的肽分子在细胞中显示出明显共定位信号； 在代谢酶RagC的结合实验中，29 个候选序列中有 7 个实现有效结合，最高亲和力 3.5 μM； 在抗菌肽实验中，约19%的候选肽显著抑制细菌生长； 针对小分子靶标的实验中，生成的蛋白在50–150μM范围内表现出稳定结合。 NPM1 无序蛋白结合实验， 细胞荧光信号显示AI生成肽的结合能力 Part.4 四、模型体系的演化与方法启示 BoltzGen 并非孤立成果，而是 MIT 团队长期发展的Boltz系列模型的延伸。 早期的Boltz-1实现了多模态复合体的结构预测；Boltz-2进一步引入条件化输入以提升精度；而 BoltzGen则首次将预测与设计整合为统一体系，实现从结构到功能的生成。 BoltzGen的功能演化 这种结构–功能一体化的设计理念为AI驱动的蛋白工程提供了新范式。 研究团队通过能量约束与几何表示的结合，使模型在原子尺度具备推理能力，也为其他生物分子生成模型提供了方法参考。 结语 BoltzGen的推出展示了生成式AI在分子设计领域的前沿探索。 它通过联合学习与能量约束，实现了蛋白折叠与结合体生成的统一过程，让AI真正具备了在物理层面“理解”并“设计”分子的能力。 这一方法有望在多个方向发挥作用： 抗体与融合蛋白的快速筛选与优化； 抗菌肽与环肽的从头设计； 新靶点的蛋白互作预测与亲和力增强； 蛋白–小分子及核酸复合体的高通量建模。 致一生物已将BoltzGen模型纳入自身的AI分子设计体系， 与AlphaFold3、BindCraft、ProteinMPNN等模型协同运行，形成从结构预测到功能生成的完整研究流程。 从能量分布到结构生成，BoltzGen的工作让我们看到： AI不仅能“预测生命的形态”，也正在学习“创造生命的可能性。” 参考文献Stark H., et al. (2025).BoltzGen: Toward Universal Binder Design. MIT Jameel Clinic Project Report. GitHub: https://github.com/HannesStark/boltzgen 往期文章推荐 🔬 致一生物技术有限公司  Unlocking Infinite Possibilities in Life Sciences 我们专注于利用 AI驱动的技术，为科研团队提供 分子互作筛选、蛋白质设计到分子模拟与AI模型部署的智能化解决方案，助力药物发现与生命科学研究从头结构设计与定向进化。 ⚙️   分子互作筛选平台    💠 蛋白–蛋白高通量虚拟筛选      MegaDock · HDOCK · AlphaFold3💠 蛋白–小分子高通量虚拟筛选      AutoDock Vina💠 蛋白–核酸高通量虚拟筛选      HDOCK · AlphaFold3💠 分子动力学模拟与结合稳定性分析      Gromacs 🧩   蛋白质设计平台    💠 蛋白定向改造与结构优化      ProteinMPNN · OmegaFold · HDOCK      EVOLVEpro · foldx · AlphaFold3 💠 抗菌肽从头设计      AMP-Generative · ESM-2 · LSTM💠 高亲和力多肽设计      ProteinMPNN · RFdiffusion · Omegafold      BindCraft · AlphaFold3 💠 纳米抗体从头设计       RFdiffusion · ProteinMPNN       BindCraft · BoltzGen 💡   AI模型与系统部署    💠 定制预测与亲和力分析模型      ProteinMPNN · DiffDock💠 分子对接与能量打分模型部署       AutoDock Vina Pipeline / UniDock 💠 进化树构建与功能预测      多序列比对 · 系统发育分析 团队成员来自中科大、华农、安农大等高校， 已为多所科研院所与研究团队 提供结构预测与分子设计技术支持。 AI驱动分子设计 · 助力科研创新 扫码关注，一起探索前沿科研 抢先掌握未来技术脉动 合作请注明“公众号来源”