分子之心发力！业界首个功能完整的AI蛋白设计平台MoleculeOS首次公开

国内第一个功能完整的AI蛋白质设计和优化平台正式亮相。

7月22日，“2022 CB Insights中国未来健康论坛暨数字医疗150企业峰会”上，世界知名的智能生物科学家、分子之心创始人兼首席科学家许锦波教授携AI蛋白设计平台MoleculeOS亮相。他表示，分子之心已完成MoleculeOS所需的关键算法和模块的开发工作，并已基于该平台开发十余项世界领先的AI算法，计算结果均远超目前全球已公开发表的最好结果。

（许锦波教授现场演讲）

当天，分子之心入选由全球知名市场数据分析机构 CB Insights遴选的“数字经济时代下活跃的中国生物计算企业”榜单，获评“AI 蛋白结构设计新星”。该榜单根据企业技术创新性、管线推进、项目合作、投融资等维度综合评选得出。

（分子之心入选“数字经济时代下活跃的中国生物计算企业”榜单）

目前，我国尚没有功能完整的AI蛋白质设计和优化平台。分子之心AI蛋白设计平台MoleculeOS的构建，可以说填补了国内空白。“我们希望把MoleculeOS打造成中国生物经济时代的基础设施。”许锦波表示。

蛋白质是生命科学的基础，对蛋白结构的理解和设计可以帮助人们深入了解包括癌症、遗传病等诸多顽疾的发病机理，找到治疗更精准的路径。同时还可极大提升大分子药物的研发效率、降低成本。然而，过去半个世纪，科学家们采用的晶体衍射、核磁共振、冷冻电镜等蛋白质结构预测方法，始终存在耗时长、花费高、无法保证100%成功等问题，这导致蛋白质结构预测难题始终悬而未决。

这一困局在许锦波教授2016年的一项研究后迎来曙光。2016 年，许锦波教授研发 RaptorX-Contact 方法，首次证明了深度学习可以大幅提高蛋白质结构预测的精度。这种方法被谷歌旗下DeepMind应用在了 AlphaFold 算法的开发中，推动蛋白质结构预测取得了革命性突破。许锦波教授也因此被誉为“AI蛋白质折叠技术奠基人”。

完成AI在蛋白质结构预测方面的价值验证后，许锦波教授开始将视野转向应用空间更大的AI蛋白质优化设计方向。在他看来，相比于蛋白质结构预测，蛋白质设计具备更广泛的应用场景和更具差异性的市场竞争力。一方面，相比于单链蛋白质结构预测，蛋白质的优化和设计应用场景更广泛，难度更高。另一方面，当下单链蛋白质结构预测方面已达到一定高度，下一步急需寻求更具实际应用价值的产业势能。

“MoleculeOS是分子之心正着力构建的AI驱动的蛋白质设计新引擎，”据许锦波教授介绍，MoleculeOS平台既可用于多肽、抗体、酶和小蛋白的研究和设计，将大分子创新药的研发变成可预测、可编程，为药物研发全流程提效；也可灵活且广泛地应用于化学、材料、工业、农业等领域的蛋白质优化与设计。

（分子之心AI蛋白设计平台MoleculeOS技术架构）

MoleculeOS平台具备两大重要功能，一是运用数据驱动的深度学习方法直接设计和生成所需要的蛋白。二是通过分析蛋白质的表达性、稳定性、成药性等特性，帮助行业专家快速识别和产生最合适的蛋白质，推动实验室研究成果在产业领域的规模化应用。

目前，分子之心正与中外多家生命科学与医学实验室展开合作，基于MoleculeOS进行各种蛋白质（特别是酶和抗体）的优化和设计研究，已开发十余项世界领先的AI算法，其计算结果远超文献报道及全世界已公开发表的最好结果。

比如，在单序列结构预测方面，分子之心用一种创新的方法，以更小参数实现了比肩meta ESMFold的效果。在蛋白质优化方面，分子之心开发了目前世界上最精确的、用于预测单点突变对蛋白质性能影响的AI算法，其不需要实验数据，即可对单点突变进行预测，算法的性能大幅刷新世界记录。在蛋白质从头设计方面，分子之心开发的蛋白质序列设计算法，在4个业界普遍使用的数据集上表现出了全球最高的NSR（自然序列恢复率），以3~8% 的优势领先于斯坦福大学和Facebook等全球所有竞争对手。分子之心设计的复合物结构预测算法，在公开数据集上测试，也远好于DeepMind的AlphaFold-Multimer。

“中国AI+生物领域形式大好，”许锦波教授表示，在生命健康领域，中国拥有丰富的数据量、创新技术的土壤、非常活跃的市场，这对于推动我国医疗健康产业发展、构建良性生态具有巨大推动作用，下一步，希望能培养出更多复合型人才，既懂计算，又有医疗、生物等领域知识经验，把计算技术和医疗结合起来，将中国的数字医疗带入更广阔的未来。

--------- End ---------

感兴趣的读者，可以添加小邦微信（zhiyaobang2020）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。

- 历史文章推荐 -

【蛋白质结构与AlphaFold】

●Commun Biol｜人工智能指导下的内在无序蛋白质的构象挖掘

●Nat Methods｜ScanNet：基于结构的蛋白质结合位点预测深度学习模型

●Nat Methods｜ColabFold：让所有人都能进行蛋白质折叠