如果把一间传统生物实验室搬进AI时代，它会是什么样？

屏幕前，研究人员输入一个靶点，AI分析蛋白结构、生成候选序列；随后，这些序列进入实验环节，完成表达、纯化和功能验证，实验数据再反馈给模型，开启下一轮设计。

过去，从一个靶点走到候选分子，往往需要经历反复的结构分析、序列设计、实验筛选与优化。如今，AI正在重构其中的部分环节。

但“设计出来”并不等于“成药”。一个在计算机中表现良好的蛋白序列，进入实验室后仍可能面临表达、稳定性、结合能力和功能等问题。

正如途深智合创始人王宇光博士在接受动脉网采访时所说：“AI真正进入制药行业，最终的评分标准不是一些benchmark（基准测试），而是能不能设计出真正有功能、有成药性、能够进入PCC（Preclinical Candidate，临床前候选化合物）甚至临床的分子。”

这也意味着，AI蛋白设计真正需要打通的，并不只是模型本身，而是从计算设计到实验验证，再到数据反馈的完整链路。

2023年成立的途深智合，选择从AI蛋白设计切入，并将蛋白模型、科学智能体与自动化实验体系连接起来。在这一体系中，AI负责设计与优化，实验负责验证，真实数据再反哺模型，形成“设计—验证—迭代”的闭环。

从“会设计”走向“能验证、能迭代”，这正是途深智合试图跨越的产业断点。

要理解途深智合的选择，需要先回到创始人王宇光博士的履历上去。

王宇光博士拥有新南威尔士大学数学博士学位，目前任上海交通大学副教授，研究方向集中于几何深度学习、图神经网络等领域。2020年前后，AlphaFold 2的出现让他开始关注AI与蛋白质科学的结合。

在王宇光博士看来，AI与蛋白设计的结合具有明确的产业应用空间。

一方面，蛋白质本身拥有庞大的序列和结构空间，传统研发更多依赖筛选、突变和实验迭代；另一方面，抗体、抗体偶联药物（ADC）、多肽等大分子药物已经形成成熟的研发和商业化体系，为AI蛋白设计提供了明确的应用场景。

“传统的蛋白和抗体研发比较依赖于筛选和试错，AI有机会把‘从自然界找分子’推向‘直接创造自然界原来找不到的、满足特定功能要求的新分子’。”王宇光博士在回忆创业初衷时表示。

从“发现”走向“创造”，成为途深智合最初选择AI蛋白设计的出发点。

2023年4月，途深智合正式投入运营；同年6月，公司交付首个商业化订单。

围绕蛋白设计这一交叉领域，途深智合逐步组建了一支覆盖人工智能、计算生物学、分子生物学、药物研发和自动化实验等方向的团队。公司披露的核心成员中，包括具有约翰·霍普金斯大学计算机博士背景的CTO、来自剑桥大学分子生物学实验室的技术负责人，以及拥有多年创新药研发经验的药学专家。

对于一家AI制药公司而言，这样的团队结构并非简单的专业叠加。蛋白设计本身横跨算法、结构生物学和实验科学，从计算模型生成候选序列，到实验验证其表达、稳定性和功能，每一个环节都需要不同领域的专业能力参与。

此后，途深智合沿着蛋白设计这一方向持续推进产品研发。从早期的Protein Engine，到ProteinNova蛋白设计智能体，再到ToursynClaw蛋白设计科学超智能体平台。

至此，途深智合的创业路径已经逐渐清晰：以AI和数学能力切入蛋白设计，再将这种能力逐步推向真实的药物研发场景。

如果说蛋白大模型解决的是“蛋白怎么设计”，那么途深智合进一步尝试解决的，是面对具体研发目标，如何将不同AI能力组织起来，完成从分析、设计到筛选的一系列任务。这也是ToursynClaw与单一蛋白设计模型的区别。

按照公司的设计，ToursynClaw由AI科学家智能体（Scientific Agent）与20余个专业算法模块组成。面对具体研发任务，系统可以围绕靶点分析、表位选择、蛋白结构与序列设计、候选分子筛选等环节调用不同工具，并进一步衔接实验验证。

ToursynClaw可视化界面

在这套体系中，ADFLIP逆折叠模型是众多专业模块中的一个代表性能力。所谓“逆折叠”（Inverse Folding），可以简单理解为：已知蛋白质希望形成怎样的三维结构，反过来寻找能够形成这一结构的氨基酸序列。与传统蛋白结构预测从序列推测结构不同，逆折叠是从结构反推序列。

途深智合自研的ADFLIP采用全原子（all-atom）建模，将原子、基团以及配体、DNA等周边环境信息纳入设计，并进一步考虑部分下游功能约束。在此基础上，公司还开发了BackFlip，用于探索在缺乏完整实验结构信息的情况下开展蛋白设计。

途深智合逆折叠模块ADFLIP

值得注意的是，ADFLIP、BackFlip只是途深智合20余个算法和专业模块中的一部分，公司并非依赖单一模型，而是针对不同蛋白设计任务建立相应算法，再通过智能体进行组合调度。

这种平台化思路在实际设计任务中得到了验证。2026年国际蛋白设计大赛（ICLR 2026 Workshop，Adaptyv/ProteinBase RBX1 Binder Design赛道）中，途深智合以ToursynClaw参赛，在RBX1无序区结合蛋白设计任务中获得全球第二、国内参赛队伍第一。

根据公司披露的赛事数据：途深智合送测的7组设计中，有2组在实验中获得结合结果，命中率为28.6%；而全场约300组参赛方案中，基准命中率约为3%（约9组命中），公司该项目的命中率约为这一基准的9.5倍。在KD（解离常数，Dissociation Constant，用于衡量分子结合亲和力，数值越低通常意味着结合越强）实测排名中，途深智合同样位列全球第二，其中一组针对RBX1无序区域的de novo（从头设计）Binder实验测得KD为85 nM。

途深智合的设计deep-bear-clay KD 85 nM·Medium Binder（全场第2）

RBX1靶点本身增加了设计难度——为包含无序区域（Intrinsically Disordered Region，IDR）的靶点。与具有相对稳定三维结构的蛋白区域相比，无序区域缺乏固定构象，对于依赖明确结构进行设计的方法提出了更高要求。

类似的从头设计能力，公司还在β1-肾上腺素能受体这一GPCR（G蛋白偶联受体）靶点上进行了验证。公司披露的案例显示，25个设计中有16个实现结合，结合命中率达到64%，最佳KD达到9 nM。

GPCR案例：β1-肾上腺素能受体

从计算设计到实验结合，这些案例为途深智合AI蛋白设计能力提供了具体验证。但对于公司而言，模型能够生成候选分子只是第一步，如何让实验结果进一步回到AI系统，影响下一轮设计，才是完整研发闭环的另一环。

这也成为途深智合下一步打通的“干湿实验闭环”。

从计算设计到实验结合，只是完成了前半程。对于AI制药而言，模型能生成候选分子只是起点——只有经过真实实验验证，并将数据反馈给模型，才能形成持续迭代的研发闭环。

这正是途深智合在ToursynClaw之外同步布局自动化湿实验平台的原因。如果说ToursynClaw是负责设计与决策的“大脑”，那么自动化实验体系就是连接数字世界与物理世界的“手和眼睛”。

基于干湿实验一体化的超级智能体

2026年7月，途深智合宣布联合中国生物制药集团、紫金星宇、镁伽科技，共建面向AI生物制药的“超级工厂”。其中，途深智合提供ToursynClaw科学超智能体及蛋白设计能力，镁伽科技提供自动化实验平台，紫金星宇负责通感智算控一体化能力，中国生物制药则提供真实药物研发场景及产业化资源。

王宇光博士认为，“AI再强大，没有有效的真实实验数据反哺，它的认知就是空中楼阁。”药物研发涉及的变量复杂，仅依靠有限的历史数据训练模型，很难覆盖真实研发中的各种情况；而自动化实验则可以持续产生标准化数据，为模型迭代提供新的“养料”。

这种闭环最终要落实到研发效率上。ToursynClaw与自动化实验产线打通后，可将有效抗体从设计推进至功能验证的周期压缩至约45天。在管线推进方面，首批16条管线已进入PCC（临床前候选化合物）阶段；公司计划到2026年底累计完成30条涵盖单抗、双抗、ADC及环肽等模态的差异化创新分子管线。

途深智合部分在研管线一览

更值得关注的是“人效”的变化。王宇光博士介绍，此前需要较多人力完成的实验筛选工作，如今团队约10人即可同时推进约10条抗体管线向PCC阶段推进。研发团队的组织方式正在从“人力密集型”转向“算法 自动化驱动型”。

理解途深智合对“干湿闭环”的执着，需要先看清它的商业模式——这不是一家卖软件或卖AI服务的公司，而是一家用AI驱动自身管线研发的生物制药公司。

其商业逻辑是典型的“双轮驱动”：第一个轮子是AI实验室服务，为客户提供抗体筛选、亲和力成熟、人源化改造、Minibinder从头设计等服务，目前已服务超过14个靶点；第二个轮子是核心引擎——自主创新药管线，利用自身平台自主设计并推进高价值创新药管线，策略是从单抗入手快速建立优势，同时布局双抗、多肽、ADC等领域。

“我们希望能够快速做出一个比较大的药品库，储备PCC阶段的高质量分子，然后和药厂进行授权或联合开发。”王宇光博士透露。公司计划在2026年内完成10条双抗管线的设计与实验验证。也正是因为目标是做自主管线资产，途深智合才必须把干湿闭环跑通，而不是仅仅交付一个软件工具。

这一商业闭环的可行性，已在资本端得到支持。成立不到两年的途深智合，已完成四轮融资，投资方包括诚美资本、锡创投、上海天使会等，诚美资本连续三轮追投。

回到文章开头的问题：AI制药真正需要跨越的，并不只是模型能力，而是模型、真实实验与数据反馈之间的断点。

途深智合的探索，是将科学超智能体、自动化实验和数据反馈连接起来——让AI参与研发决策，让自动化系统负责执行，再由真实实验数据推动下一轮设计。

其目标，是将过去依赖人工经验和反复试错的研发流程，逐步转变为由算法、自动化实验和数据共同驱动的工业化研发体系。

这条路径仍处于早期。从头设计的整体命中率、双抗及多抗等复杂分子的多指标协同设计，以及从PCC进一步走向IND和临床，都还有待持续验证。

但方向已经清晰：AI在制药中的角色，正在从提供单点预测工具的辅助角色，向深度参与研发决策、驱动实验迭代、直接产出候选分子的核心引擎演进。

途深智合未必是这条路上唯一的探索者，但它提供了一条可拆解的实践路径——把超智能体当作研发决策的中枢，把自动化产线当作执行系统，让真实数据成为AI持续进化的燃料。

从“药物发现”走向“药物创造”，这场工业化新药研发的实验，才刚刚开始