MoleculeOS 正式开放：AI 生物研发进入"模型操作系统"时代

分子之心把 MoleculeOS 从内部产业项目搬到了公开测试台。这家由"AI 蛋白折叠奠基人"许锦波创立的公司，本周正式向产业界与学术界开放这套 AI 蛋白质优化与设计平台的注册测试通道。官方给它的定位很直接——一个面向生物研发的"AI 操作系统"。

这不是又一个"AI+生物"的营销包装。把 MoleculeOS 拆开看，它更像是把过去两年散落在各家实验室的能力——结构预测、复合物建模、动力学模拟、生成式设计、湿实验闭环——统一编排进一条工程化流水线，然后交给一个懂生物学意图的 Agent 去调度。这一步走通了，蛋白研发才算真正拿到自己的"IDE"。

从"淘金"到"造币"：范式的转向

先厘清一件事：MoleculeOS 不是 AlphaFold 的复刻品。AlphaFold 系列解决的是"给我一段序列，告诉我它长什么样"——本质是解读。MoleculeOS 想解决的是反过来的问题："我需要一个能在 pH 6.0 释放、pH 7.4 沉睡的抗体，请把它设计出来。"

用许锦波自己的话讲，过去的生物研发是"我看看自然界有什么、我能用什么"，现在要转成"我想要什么，就去设计什么"。这句话听起来像口号，但落到产业上其实很硬核：药物研发的"双十定律"（十年、十亿美元、成功率不到 10%）之所以难破，就是因为筛选式研发本质上是一场高杠杆赌博。当"设计"取代"筛选"成为主路径，整个研发经济学会被重写。

这次公开开放的版本，最值得关注的不是它把易用性做到了多低门槛，而是它把"生成式蛋白设计"这件事真正推到了可交付的产业精度。

NewOrigin：四位一体的基础模型

平台底座是分子之心自研的多模态蛋白基础大模型 NewOrigin（中文名"达尔文"）。跟大多数只从一维序列建模的蛋白模型不同，NewOrigin 把序列、三维结构、功能、进化约束这四种模态放进同一个表示空间。

可以这样类比：以往的蛋白模型像是只读文本的 LLM，NewOrigin 更像是同时能"读文本、看图、理解视频时序、感知物理规律"的多模态模型。这个差异在低数据任务和零样本设计上会被急剧放大——很多工业酶根本没有晶体结构、也没有充足的活性数据，纯序列模型基本抓瞎，而多模态表示可以从进化和结构角度补齐信息盲区。

NewOrigin 之上，MoleculeOS 把典型的工业需求拆成五类：

• 预测：结构、亲和力、稳定性等属性预测
• 发现：从已有蛋白空间中挖掘候选
• 优化：针对表达量、热稳定性、催化效率等目标做定向进化
• 设计：从零构造具有特定功能的新分子
• 验证：与湿实验闭环打通，反馈迭代

这套五分法看似朴素，但它给整个平台提供了一个清晰的"系统调用"边界——上层的 Agent 只要理解用户意图，就能把任务路由到对应模块。这也是"操作系统"这个类比成立的关键：不是因为它长得像 Windows，而是因为它把散点能力抽象成了可组合的原语。

精度上的硬仗：与 AlphaFold 3 正面比

在产业最看重的两个场景——抗体-抗原复合物结构预测、蛋白-小分子复合物结构预测——MoleculeOS 官方给出的数据是"比肩甚至超越 AlphaFold 3"。这句话现在几乎成了行业标配话术，但需要注意的是分子之心强调了另一个更实用的维度：预测结构的物理性质更好。

这一点在做下游设计的时候很关键。AlphaFold 类模型有一个被诟病已久的问题：结构预测看起来对，但侧链、氢键网络、结合口袋的物理合理性经不起后续能量计算和分子动力学的推敲。做药物筛选时，这意味着你拿到的结构可能"看着能对接"，但换个打分函数结果就不稳。MoleculeOS 强调的物理一致性，本质是让"预测→设计→验证"这条链不掉链子。

更硬核的一手是蛋白质动态结构预测与动态设计。蛋白在体内是运动的——酶催化本身就是一个构象循环。传统 AI 模型只给"静态照片"，做酶设计时天然吃亏。分子之心把 AI、分子动力学和第一性原理方法融进同一套建模体系，官方公布的效率相比传统量子化学方法提升了千亿倍，同时保持精度一致，达到"工业可用"。

把"工业可用"这四个字翻译一下：以前跑一个像样的 QM/MM 模拟要几周甚至几个月，现在是分钟到小时级。这对制药和生物制造企业来说不是量变。

三个真实案例：AI 到底交付了什么

技术指标可以吹，但产业客户只认交付。分子之心在公开材料里给了三个已完成的项目结果，值得一条条看：

pH 敏感型抗体设计。这是传统高通量筛选几乎搞不定的场景——你要一个抗体在血液的 pH 7.4 环境下与靶点保持结合，在肿瘤微环境或内涵体的 pH 6.0 下急剧脱离。MoleculeOS 用两个月、两轮干湿闭环，交付了不到 10 个候选分子，pH 7.4 与 pH 6.0 的亲和力差值达到 60 倍。传统方法在这类任务上通常要筛几十万到上百万个突变体。

濒死融合蛋白救活。一款因表达量过低、易聚集几乎被判死刑的融合蛋白，通过生成式 AI 在三个月内把表达量提升 400 倍以上，单体含量 95% 以上。对做 Biologics 的人来说，这个数字意味着从"项目要砍"到"可以进 CMC"。

工业酶催化效率 5 倍提升。与凯赛生物合作的一款工业酶，无晶体结构、催化机理复杂，在几乎没有客户产业场景数据的情况下，AI 平台用 6 个月把催化效率提到 5 倍。合成生物学圈里做过酶改造的都知道这是什么概念——博士团队做几年、筛几万个突变体拿到 2 倍就要开庆功宴了。

这三个案例的共同点，不是"AI 有多聪明"，而是每个项目都能在几个月内闭环。这才是产业化 AI 和论文 AI 的分水岭。

Agent 层：把 AI 藏起来

MoleculeOS 这次开放测试的另一个变化在交互层。平台上线了对话式 AI Agent，生物学家可以用自然语言直接下需求，比如：

"帮我设计一个在 80°C 下仍保持 80% 活性的脂肪酶，底物是 C12 直链脂肪酸。"

Agent 会自主拆解意图、路由到对应模块、给出候选分子和实验建议。这个设计哲学许锦波讲得很清楚：不是让生物学家变成 AI 专家，而是让 AI 在生物学家背后消失。

这一点其实和过去两年通用 Agent 的路径一致——从暴露 API、到工作流编排、再到自然语言意图驱动。区别在于，蛋白设计这个领域的"工具箱"复杂度远高于普通 SaaS，Agent 要在几十个专用模型和物理引擎之间做选择、还要理解生物学约束，是相当硬的落地。目前看，MoleculeOS 走在同类平台前面。

一点判断：这是不是"生物界的 CUDA 时刻"？

用"操作系统"来定位自己，是一个很有野心的动作。真正能被称作 OS 的平台，必然要满足两件事：能沉淀生态，能形成标准。

从目前公开信息看，MoleculeOS 更像是一个高度整合的"专有平台"——底层大模型、算法模块、工作流、湿实验能力都是自家的。这在早期能保证交付质量，但要真正演化成产业级 OS，接下来必须要开放开发者层：让第三方能在上面训练专有模型、发布行业工作流、接入自己的实验数据。这一步走不走得出来，决定它是变成"生物界的 CUDA"，还是停留在"更强的 SaaS"。

从另一个角度看，这类平台的出现也在改写生物初创的成本结构。过去一支小团队要做蛋白工程，至少要自建计算集群、招 AI 工程师、烧几年才能建立数据资产。现在一个五人 biotech 团队，理论上可以在平台上直接跑设计任务，把绝大部分资本开支从"基础设施"迁到"临床验证"。这个杠杆一旦被证明有效，Biotech 的融资逻辑都会松动。

生物经济这条主线上，中美都在明显加速——美国的《生物技术未来蓝图》、David Baker 拿到超十亿美元的 Xaira Therapeutics、国内的"人工智能+"行动，都在同一方向上收拢。AlphaFold 打开的窗口，正在被一批工程化平台迅速占据。MoleculeOS 是国内目前跑在最前面的那个。

值得关注的是接下来 6-12 个月：一是平台开放之后，会不会有原生于 MoleculeOS 的独立药物或酶产品跑到临床/量产阶段；二是它会不会像所有"操作系统"叙事一样，进入下一个必修课——开发者生态。这两件事，将决定"AI 生物操作系统"是一个概念还是一个真赛道。

参考来源

• 知乎：如何看待分子之心 MoleculeOS 开放测试 — 知乎上关于 AI 蛋白设计平台的讨论合集，含从业者视角评价
• 知乎：AlphaFold 3 与国产 AI 蛋白模型对比 — 针对复合物结构预测精度的技术讨论
• GitHub：Awesome Protein Design — 开源蛋白设计模型与工具的资源合集，可对照理解生成式蛋白设计的技术全景
• Hugging Face：Protein Language Models — 蛋白语言模型的开源生态入口，可对比 NewOrigin 类多模态基础模型的技术路线