上海交通大学「AI 蛋白质设计峰会」成功举办

本次峰会由上海交通大学主办，自然科学研究院、上海国家应用数学中心（上海交通大学分中心）联合承办。峰会邀请闵行区科学技术委员会副主任徐晖、上海交通大学科学研究发展研究院学术发展与成果处副处长丁蕾致辞，并由海人工智能实验室领军科学家、教授欧阳万里主持。北京大学化学学院长江特聘教授来鲁华、中国科学技术大学教授刘海燕、上海交通大学自然科学研究院特聘教授洪亮分别作主旨报告。

本次峰会汇聚了人工智能与生命科学交叉领域的 500 余位专业人士，包括来自清华大学、北京大学、复旦大学、浙江大学、厦门大学等知名学府的 300 多位专家学者，以及 200 余位行业领军企业代表和技术研发人员。与会嘉宾聚焦于人工智能在蛋白质设计领域的前沿研究成果、关键技术突破以及产业应用前景，进行了为期两天的深度交流与探讨。这不仅充分展现了 AI 在蛋白质设计领域的蓬勃发展趋势，更彰显了该领域在产学研融合方面的巨大价值与潜力。

主旨报告

在主旨报告上，来自北京大学来鲁华教授介绍了她的研究团队在蛋白质结构空间探索、基于蛋白质全原子结构的序列设计和酶改造设计方面的工作，并结合了物理模型探讨远离催化口袋的残基调控酶活性的机制。

中国科学技术大学刘海燕教授介绍了基于深度学习的蛋白质结构和序列设计，开发并优化了 PVQD 和 ABACUS-T 等模型，成功设计出兼具高活性和稳定性的多位点突变酶，通过实验证实结构预测与进化信息可显著提升蛋白质设计性能。

上海交通大学洪亮教授深入介绍了基于预训练的蛋白质工程的通用人工智能 Venus 系列模型及实践案例，其中包括全球最大的蛋白质序列数据集，开创性地实现了从序列直达功能的精准蛋白质设计，并分享了 AI for Science 的科学进展及展望。

分会场报告

分会场报告环节，生物分子大模型分会场，西湖大学的李子青分享了 AI 虚拟细胞 (AIVC) 建模在分子生物学和细胞生物学中的研究与应用。

清华大学的周浩提出了 ProfileBFN 模型，旨在通过结合从头设计与定向进化的优势，实现高效、精准的蛋白质家族生成。

西湖大学的原发杰介绍了多个基于结构的蛋白质大语言模型：6.5 亿的蛋白质结构感知语言模型 SaProt、160 亿的蛋白质从头设计大模型 Pinal，以及 800 亿的蛋白质 ChatGPT 模型 Evolla。

复旦大学的程远通过开发基因、单细胞及宏观表型等多尺度 AI 模型，构建了虚拟生命系统研发的基础框架，实现跨层级生命状态仿真与科学规律高效挖掘。

华东理工大学的李明辰系统梳理了蛋白质预训练语言模型的核心技术、应用场景及未来挑战。

上海交通大学的周子宜探讨了不同应用场景下蛋白质语言模型的迁移学习和微调策略。

在产业分享分会场，上海交通大学的杨广宇重点介绍了人工智能在酶工程领域的行业进展，以及针对人工智能分子设计在酶分子设计中的改造案例。

金赛药业的雷鸣分享了 AI 大语言模型助力创新融合蛋白药物早期开发的应用实例，以及未来AI在药物研发中的潜在应用。

中元汇吉的易维京系统地阐述了 AI 技术在诊断用 ALP 酶改造及抗体优化中的应用进展，并分析了人工智能助力体外诊断产品开发中的优势和挑战。

晶泰科技的赖力鹏介绍了基于 AI 驱动的抗体、多肽、肿瘤新抗原及 RNA 药物设计平台，通过干湿实验双重验证实现高精度候选分子研发，以全流程技术整合与湿实验标准验证推动创新药物发现。

在企业专场的圆桌会议上，由金沙江联合资本汪晓燕博士主持，多位专家学者及企业代表以「AI 蛋白质的产业应用」为主题，从产学研各个角度出发，围绕 AI 驱动蛋白质设计的前沿技术与产业转化展开深度对话，现场反响十分热烈。

AI 生物分子结构预测分会场中，浙江工业大学的张贵军介绍了基于物理化学知识及数据驱动深度学习模型，利用深度学习、计算智能方法，在蛋白质折叠路径、多态构象预测及模型质量评估等方面开展的研究工作。

复旦大学的孙思琦深入探讨了基石模型 (foundation model) 在生物领域的发展及其在分子结构预测中的作用。

在 De novo 蛋白质设计分会场，中科院计算所的卜东波总结了在蛋白质结构预测与设计方面的研究进展，提出了多个创新算法，成功预测并重新设计了蛋白质结构，取得了良好的实验效果。

上海交通大学的周冰心介绍了基于深度学习的蛋白质设计，解决了功能增强、突变策略和实验迭代等挑战，并通过湿实验验证了其可靠性。

上海科技大学的孙刚羽介绍他开发了一种蛋白质从头设计策略，靶向 TDP-43 聚集核心区域的 α-螺旋潜力氨基酸基序，成功设计出结合蛋白，从而有效阻断 TDP-43 的病理性聚集，为治疗 ALS 和 FTD 提供了新的潜在策略。

在 AI 大分子药物设计分会场，北京大学的高毅勤讨论了物理信息加强的 AI 分子模型构造方法，以及通过生成式自监督学习提取蛋白质结构的合理离散表示、描述蛋白质稳态构象分布的预训练模型在统一蛋白质逆折叠和结构预测等任务中的应用。

同济大学的刘琦报告了利用 AI 技术进行 CRISPR 系统的相关优化设计和 CRISPR 蛋白从头识别等工作。

浙江大学的侯廷军介绍了人工智能辅助新药发现方法，及新药发现软件平台 DrugFlow 开发及应用的最新进展。

中国人民大学的黄文炳从几何学视角出发，结合人工智能的最新进展，探索和设计原子基座模型、生成式算法以及高效动力学预测方法。

在人工智能药学青年论坛分会场，上海交通大学的郑双佳阐述了如何将生成式方法应用于新药研发，特别是在药物-蛋白复合物结构预测、药物筛选、PROTAC 设计和抗体设计等方面，推动药物发现从经验驱动向信息驱动的转变。

上海药物研究所的李叙潼提出了基于多层次调控知识图谱和自监督学习的 PertKGE 与 TranSiGen 模型，通过整合多组学数据，精准挖掘分子与表型的关联，推动了药物设计范式的创新，特别在药物重定位和先导化合物发现中验证了其有效性。

华东师范大学的刁妍妍探讨了人工智能在大环类药物研发中的关键作用，并结合案例展示 AI 在大环候选药物设计中的应用与成果，旨在推动AI技术与大环药物研发的结合，加速创新药物的开发进程。

海军军医大学的田赛赛报告了通过开发数据驱动方法，整合中药化学成分数据库、分子互作网络和多组学数据，提供了智能化解决方案，有效加速了中药活性成分的发现与转化应用，推动了中药现代化研究的进展。

在 AI 酶设计分会场，浙江大学的黄行许描述他围绕基因编辑，构建 AFD 蛋白结构组库和搭建蛋白大语言模型，挖掘、改良 Cas 和脱氨酶及其相关系列蛋白，建设一系列 CRISPR 基因编辑、碱基编辑、先导编辑和高通量功能基因组学技术平台。

厦门大学的方柏山结合了合成生物学与贝叶斯优化，利用机器学习和主动学习技术加速 N-酰基高丝氨酸内酯酶的高效筛选与优化，为其在水产养殖病害防治中的应用提供了创新解决方案。

清华大学的张数一提出了蛋白质序列-功能空间压缩的概念，开发了进化扫描系统与 EvoAI 系统，实现了对该空间的高效压缩与 AI 重构，为理解蛋白质序列与功能映射关系提供了创新视角。

中科院天津工业生物技术研究所的江会峰开发了 DM-P450 等深度学习模型，实现了 P450 酶功能预测，成功识别未知 P450 基因，为合成生物学和药物研发提供了高效的酶发现新范式，并推出了基于扩散模型的 P450 酶智能生成算法。

中科院深圳先进技术研究院的罗小舟阐述了 AI 在酶工程中的创新应用，介绍了 CLAIRE、UniKP 和 ProEnsemble 等框架，推动了酶功能解析、催化机制优化及代谢系统调控的技术突破，为合成生物学与工业生物技术提供了新的方法论框架，助力可持续发展。

上海人工智能实验室的谈攀报告了在 AI 驱动生物元件设计领域的最新进展，针对传统方法存在的实验周期长及高成本等核心挑战，建立了融合多模态预训练大模型与小样本智能优化算法的创新体系。

中科院微生物所的孙瑨原介绍了 Pythia 和 GRASE 系统，通过结构基础的自监督学习和深度学习结合专家知识，成功提升了工业酶的预测速度和准确性，发现了多个新型塑料降解酶，显著提高了酶活性和热稳定性。

本次峰会的成功举办，不仅推动了 AI 蛋白质设计领域的学术交流与技术创新，更搭建起横跨学术界与产业界的对话平台。共同推动 AI 技术在生命科学、医学、材料科学等领域的深度应用与发展，为相关行业注入新的动力与变革契机。