External ViewResearch x AI

Research × AI：将公开数据转化为可执行的研发闭环

我们构建的是一条端到端研发链路：从公开数据和内部 NGS 序列池出发，经过 AI 辅助检索、结构预测、候选排序和证据资料包整理，最终进入湿实验验证，并将实验结果作为反馈信号回流。核心目标是提高干湿实验协同效率。

参考资料

更准确的候选

先用公开数据和 AI 证据缩小搜索空间。

更少的浪费

将湿实验资源用于具有明确假设的候选。

更快的迭代

每轮实验结果回流，用于优化下一轮排序与决策策略。

End-to-end workflow

公开数据

检索 UniProt、PDB、论文、专利和竞品信息，形成靶点背景。

内部数据

导入 NGS 或噬菌体展示序列池、结合实验表格和抗原序列，整理为候选记录。

结合界面 AI

通过结构预测和界面评分生成 PDB、表位、接触面及风险信号。

候选排序

融合结合、特异性、可开发性、翻译后修饰或基序以及表达风险，形成候选短名单。

证据资料包

输出 FASTA、CSV、PDB、结果清单和选择依据，交接给湿实验团队。

研发闭环

将湿实验读数转化为反馈信号，用于更新下一轮模型和筛选策略。

AI 如何和业务结合

大语言模型 / 检索增强生成整理公开数据将文献、数据库、专利和竞品信息整理为可执行的项目背景。

序列 AI清洗 NGS 序列池完成去重、CDR 与框架区识别以及已知阳性召回，减少无效湿实验消耗。

结构模型预测复合物Boltz、AlphaFold 等模型将序列转化为可复核的结合界面证据。

排序模型选择候选短名单将多维评分汇总为候选优先级，而不是依赖单一模型分数。

主动学习 / 强化学习学习湿实验反馈将表达、结合、功能和安全性读数转化为奖励或惩罚信号。

综合逻辑

公开数据告诉系统“什么值得找”；NGS 序列池提供真实候选空间；结构模型解释“为什么可能结合”；排序模型决定“先测谁”；湿实验反馈告诉系统“真实世界中什么结果更有价值”。

这不是单次预测，而是一个会随实验结果持续改进的研发闭环。

Representative examples

NGS 序列池 → 候选短名单

将噬菌体展示或 NGS 筛选得到的大规模序列池，通过序列过滤、阳性召回验证、结构评分和特异性矩阵，收敛为可进行实验验证的候选清单。

结合界面证据

对候选结合分子与抗原进行结构预测，输出 PDB、表位、互补位、接触面、能量和风险标注，使候选选择依据可解释、可复核。

CAR-T 验证

AI 候选短名单依次进入 CAR 表达框设计、病毒制备、CAR-T 制备、体外功能筛选和体内验证。

包膜糖蛋白规避设计

同一套“数据 → 结构 → 湿实验”闭环也可用于病毒包膜糖蛋白：UniProt 序列召回、VSV-G 对比、结构相似性分析、包装实验和突变设计。

Wet-lab reward signal

表达表达量、纯度、HPLC 主峰、聚集风险

结合K_D、k_on / k_off、细胞结合和交叉反筛

功能杀伤、CD107a、细胞因子和 T 细胞耗竭

体内肿瘤控制、生存、持续性和安全性

最终目标

把每一轮 wet-lab validation 变成训练数据：成功候选提供 positive reward，失败候选提供 penalty 和 failure mode。系统逐轮更新 ranking、threshold、candidate generation policy，最终形成可训练、可自生长的研发平台。