External ViewResearch x AI
Research x AI：把 public data 转化为可执行研发闭环
我们构建的是一条端到端研发链路：从 public data 和 internal NGS pool 出发，经过 AI-assisted search、structure prediction、candidate ranking 和 evidence package，最终进入 wet-lab validation，并把实验结果作为 reward signal 回流。核心目标是提升干湿实验有效比。
更准的候选
先用 public data 和 AI evidence 缩小 search space。
更少的浪费
把 wet-lab capacity 用在有明确假设的 candidate 上。
更快的迭代
每轮实验结果回流，训练下一轮 ranking / policy。
End-to-end workflow
Public data
01
检索 UniProt、PDB、论文、专利和竞品信息，形成 target context。
Internal data
02
导入 NGS / phage pool、binding Excel、antigen sequence，整理成 candidate objects。
Interface AI
03
用 structure prediction 和 interface scoring 生成 PDB、表位、接触面和风险信号。
Ranking
04
融合 binding、specificity、developability、PTM/motif、表达风险，得到 shortlist。
Evidence package
05
输出 FASTA、CSV、PDB、manifest 和选择理由，交给 wet-lab 执行。
Closed loop
06
把 wet-lab readout 转成 reward signal，更新下一轮模型和筛选策略。
AI 如何和业务结合
LLM / RAG整理 public data把文献、数据库、专利和竞品信息变成可运行 project context。
Sequence AI清洗 NGS pool去重、识别 CDR/framework、回收 known binder，降低无效 wet-lab 消耗。
Structure models预测复合物Boltz / AlphaFold 类模型把序列变成 interface evidence。
Ranker选择 shortlist把多维分数合成为优先级，而不是依赖单一模型分数。
Active learning / RL学习 wet-lab feedback把表达、binding、功能和安全性读数转成 reward / penalty。
综合逻辑
Public data 告诉系统“什么值得找”；NGS pool 提供真实候选空间；structure model 解释“为什么可能 bind”；ranker 决定“先测谁”；wet-lab reward 告诉系统“真实世界奖励什么”。
这不是单次预测，而是一个会随着实验结果持续变好的 closed loop。
Representative examples
NGS pool → shortlist
把 phage / NGS 筛选得到的大规模序列池，通过 sequence filters、recovery gate、structure scoring 和 specificity matrix 收敛到可实验验证的候选清单。
Interface evidence
对 candidate binder 和 antigen 做 structure prediction，输出 PDB、表位、paratope、接触面、能量与风险标注，让选择理由可解释、可复核。
CAR-T validation
AI shortlist 进入 CAR cassette design、virus production、CAR-T preparation、in-vitro functional screen 和 in-vivo validation。
G-protein design-around
同一套 data → structure → wet-lab loop 也可用于 viral glycoprotein：UniProt recall、VSV-G comparison、structure similarity、packaging test 和 mutation design。
Wet-lab reward signal
表达表达量、纯度、HPLC 主峰、聚集风险
BindingKd、kon/koff、cell binding、counter-screen
功能杀伤、CD107a、cytokine、T cell exhaustion
体内tumor control、survival、persistence、safety
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。