作者：Daniel
编辑：Cage
01. Key thesis
蛋白质生成模型颠覆传统流程，开启药物大发现时代
传统药物发现是在庞大真实分子库中筛选少数有效候选，而生成模型可按需设计自然界不存在的分子。这不仅提高了筛选效率，更拓展了难以触及的分子空间。其长期价值在于打破“反摩尔定律”，利用同等研发资源探索更多项目，实现质与量的双重跃升。
结合物发现环节高度可验证，自建湿实验室构建竞争壁垒
在药物发现中，结合物设计环境最为可控，易形成闭环。结合本质是分子表面的形状与化学互补，物理规律明确且反馈快。随着计算成本下降，高质量实验反馈成为稀缺资源。Latent 将实验能力内部化，能更紧密地连接模型研发与实验判断，构建核心优势。
生物医药长坡厚雪，环肽模态差异化切入
专利断崖迫使药企重视药物发现技术。不同模态面临的设计约束各异，单一模型难以通吃，制药公司倾向多方合作。大环肽是 Latent 的关键切入口，它能覆盖传统小分子难以处理的结合界面，并提供不同于抗体的药物属性（如口服可能性），是目前备受青睐的热门赛道。
AlphaFold 原班人马打造明星团队
创始人 Simon Kohl 曾是 AlphaFold 2 核心开发者及 DeepMind 蛋白质设计团队领导者；创始技术成员 Alex Bridgland 参与了 AlphaFold 1/2/3 的全流程研发。团队兼具深厚的药物模型研发经验与湿实验科学家，并有前默克集团 CEO 担任顾问，为对接大型药企奠定基础。
02. Latent Labs 技术路线
从预测蛋白到生成蛋白：分子世界的 CAD
如果说 AlphaFold 2 是看清蛋白质形状的"AI 显微镜”，那么蛋白质生成模型则是分子世界的 CAD，能根据功能需求设计自然界尚不存在的分子。以蛋白质结合物设计为例，这是反向求解折叠问题：给定疾病靶点和希望结合的表面区域，寻找能稳定折叠并与之结合的新序列。
典型设计流程为：获得靶点结构→生成结合物结构与序列→重新预测复合物结构→筛选候选→湿实验验证。
2023 年发表的 RFdiffusion 让分子 CAD 初具雏形，通过去噪扩散模型从噪声中生成蛋白质骨架。随后，预测模型从观察单个分子走向理解多分子系统。2024 年 5 月，AlphaFold 3 将蛋白质、DNA、RNA 和小分子纳入统一框架，为新分子设计提供了匹配检查工具。
除 Isomorphic Labs 外，Chai Discovery、Boltz 等公司也从结构预测切入。但 Latent Labs 选择直接主攻蛋白质生成设计。创始人 Simon Kohl 认为蛋白质设计本身足够庞大，值得独立团队集中突破。其伦敦团队负责基础模型，旧金山团队负责湿实验与计算生物，通过实验反馈迭代模型。
2025 年，多家公司的第一代生成模型相继亮相：
- 6 月，Boltz-2 加入结合亲和力预测；
- 同月，Chai-2 发布，成为首个从零设计抗体的生成模型；
- 7 月，Latent 发布 Latent-X，展示环肽和小蛋白的从零设计能力；
- 10 月，Boltz 推出生成模型 BoltzGen，正式进入结合物设计。
主力模型：Latent-X 系列
2025 年 7 月发布的 Latent-X1 首次展示了端到端全原子蛋白质设计能力。用户输入靶点序列、骨架结构和热点后，模型联合生成新结合物的氨基酸序列及复合物全原子构象。
Latent-X 首选大环肽和小蛋白作为切入点。在 7 个治疗相关靶点的湿实验中，大环肽命中率高达 91%-100%，显著优于文献报告的 RFpeptides（21%-38%），且在 MDM2 靶点上实现了更低的 KD 值；小蛋白（mini-binder）命中率为 10%-64%，并获得了低纳摩尔乃至皮摩尔级结合物。
注：RFpeptides 是华盛顿大学蛋白质设计研究所开发的 AI 环肽设计方法，可视为 RFdiffusion 在环肽设计领域的延伸。
2025 年 12 月发布的 Latent-X2 旨在生成更接近药物的分子。它支持指定表位输入，并将能力扩展至 VHH 和 scFv 等抗体格式。在 18 个靶点中的 9 个上获得成功，同时评估了表达量、聚集倾向、多反应性等成药性质，部分代表性 VHH 还进行了人源供体的离体免疫原性实验。
Agent 产品：Latent-Y
2026 年 3 月发布的 Latent-Y 是建立在 X1 和 X2 之上的 AI Agent。它将复杂的蛋白质设计流程封装为自然语言操作产品，能自动完成文献检索、靶点分析、表位选择、模型调用、计算验证及候选筛选。报告显示，它在 9 个靶点中为 6 个找到了实验确认的结合物，被誉为蛋白设计领域的"Cursor"。
按时间顺序排列的三家公司主要产品发布
Latent 的差异化下注
模态类型：聚焦环肽
Latent 先用大环肽与小蛋白展示能力，再扩展至抗体格式。环肽处于小分子与抗体之间的“中间地带”，接触面积大，能识别平坦的蛋白质相互作用界面，且具有接近抗体的亲和力和特异性。其环化结构提高了抗蛋白酶降解能力，具备口服和缓释潜力。
典型案例包括强生与 Protagonist 合作的口服大环肽药物 icotrokinra（2026 年 3 月获批，预测峰值销售超 50 亿美元），以及默沙东靶向 PCSK9 的大环肽 enlicitide（2026 年 7 月获批，2033 年销售额预期超 50 亿美元）。
数据闭环：自建湿实验室
自 2024 年起，Latent 在旧金山运行湿实验室，将其作为模型研发的重要支点。其验证流程采用双重筛选：一部分交由外部服务商 GenScript 进行蛋白质生产和 BLI 检测；另一部分由内部完成，采用哺乳动物细胞表面展示（mDisplay）技术，通过荧光信号观察候选是否成功展示并抓住靶点。
这种内外协同的模式，既利用了外部机构的产能，又让计算设计人员直接接触实验结果。2026 年 3 月，Latent 招聘 Head of Lab Platform 等职位，计划进一步扩展高通量实验与自动化管理能力，将更多湿实验环节内部化。
携手 AWS 接入客户
2025 年 5 月，Latent Labs 与 AWS 达成战略合作。Latent 提供生物生成式 AI 模型，AWS 提供算力支持（Amazon SageMaker HyperPod）及市场拓展。Latent 模型已接入 AWS 于 2026 年 4 月推出的 Amazon Bio Discovery 平台，该平台整合了生物 AI 模型、科研助手和外部实验服务，早期采用机构包括纪念斯隆凯特琳癌症中心、拜耳、Broad Institute 等。
03. Why now
De novo design：从创造分子到 RSI
传统结合物发现需准备巨大分子库，经噬菌体展示等实验筛选，从百万级候选中找到少量结合者，再进行优化。而 De novo design（从头设计）彻底改变了起点：研究者先指定靶点和功能要求，直接设计满足条件的新序列，仅合成模型排名最高的一小批。
AI 最显著的突破是压缩了早期发现的时间和规模。传统抗体发现获初始结合物需数月，DNA-to-IND 周期为 6-15 个月，成本数百万美元。相比之下，Chai-2 针对 52 个抗原，每个靶点测试不超过 20 个设计，用时不足两周即获得约 16% 的候选级结合命中率。
竞争正向完整研发流程延伸。随着基础预测能力开源化，差异化将来自能否有效连接计算设计与实验验证，形成“设计—实验—反馈—改进”的闭环。药物发现的未来将走向智能科学的 RSI（Research System with Intelligence），lab-in-the-loop 是实现这一愿景的基础。
专利断崖加速 AI 应用，新旧靶点迎来机遇
药物研发长期受“反摩尔定律”困扰，而 AI 有望逆转这一趋势。此外，2026-2032 年将迎来专利到期高峰，累计超 5000 亿美元销售额面临风险，迫使大药企积极采用 AI 技术寻找新管线。
AI 带来的机会集中在两个方向：
- 未开发靶点重获生机：人类约 1.9 万个蛋白编码基因中，仅有 755 个成为获批药物靶点。蛋白生成模型让研究人员有机会系统性开发难成药靶点。
- Me-better/Best-in-class 机会：针对已验证靶点，AI 可探索传统方法覆盖不到的序列空间，设计性能更优的分子。老靶点积累的大量数据使问题转化为边界清晰的分子优化任务。
下一代制药公司或在 AI 平台中诞生
全球药企每年研发支出约 3000 亿美元，其中临床前部分约占 450 亿。若 AI 能避免该阶段 20%-40% 的低价值试错，对应经济价值达 90 亿至 180 亿美元。
AI 发现平台的长期价值在于将药物发现转化为可持续积累的研发能力。历史上，新一代平台型药企往往诞生于科学突破工程化的窗口期（如 Genentech、Regeneron、Moderna）。AI 不同于单一治疗模态，它是横跨小分子、抗体、蛋白质和核酸的发现基础设施，理论上限更高。Isomorphic Labs 已与 Lilly、Novartis 签下巨额订单，展现了这一潜力。
04. 竞争格局
大分子领域的主要竞争者包括 Chai Discovery、Boltz 和 Latent Labs，三者路线差异明显：
- Chai Discovery：专注抗体，Enterprise-first 模式，强调模型性能和大药企深度部署。
- Boltz：专注开源模型 + API，主打全模块，作为底层能力供应商嵌入其他科研工作流。
- Latent Labs：环肽路线，拥有湿实验室，与 AWS 合作分发，走混合路线。
技术侧重点
尽管缺乏直接对比数据，但公开实验显示了各自侧重：
- 纳米抗体与小蛋白是早期共同方向，但仍处起步阶段；
- 小分子与抗体类药物市场成熟，但面临 Isomorphic 等强劲竞争；
- Chai 在抗体领域保持领先；
- 环肽是新兴热门方向，Latent 暂时领先。
商业化进展
Chai Discovery合作最成熟，已进入大药企正式部署阶段，采用定制模型路线，年度订单规模预估达 2-3 亿美元。
Boltz走开源 + 基础设施路线，模型下载量超 500 万，被超 10 万科学家使用。其 API 产品集成于 Claude Science、Benchling 等平台。一个小分子从靶点到初始 hit 的预算约为 1-1.5 万美元，耗时 3-8 周，收费远低于闭源合作。Boltz 不保留化合物所有权，主要扮演工具角色。
潜在范式竞争：Anthropic
Anthropic 正通过科研实验和人才招聘进入生命科学领域。在最近一次实验中，Claude 自主查阅资料、制定策略并调度专业模型，成功编排多个开源蛋白质设计模型，整体结合命中率达 26.8%。通用 Agent 可能成为专业模型的分发入口。此外，Anthropic 近期招聘企业发展负责人，意在通过收购强化其在生命科学的地位。
05. 团队与融资
核心团队：AlphaFold 班底
- Simon Kohl（创始人兼 CEO）：AlphaFold 2 核心研发成员，Nature 论文同等贡献作者，开发了 pLDDT 置信度预测机制，曾任 DeepMind 蛋白质设计团队联合领导。
- Paul F. Jaeger（Head of AI）：前 Google DeepMind 研究员，TxGemma 关键贡献者，nnU-Net 共同一作。
- Alex Bridgland（创始技术成员）：参与 AlphaFold 1/2/3 全流程，负责数据、分析与推理系统开发，搭建公司早期机器学习代码库。
- Stefan Oschmann（战略顾问）：前默克集团 CEO，拥有丰富的大型药企管理经验。
团队还包括两名曾在 David Baker 团队的研究人员及多名湿实验科学家。
融资历程
Latent Labs：2025 年 2 月完成天使轮+A 轮共 5000 万美元融资，由 Radical Ventures 与 Sofinnova Partners 领投，天使投资人包括 Jeff Dean、Aidan Gomez 等。
Chai Discovery：融资节奏最快、规模最大。累计融资约 6.3 亿美元，2026 年 7 月 C 轮融资 4 亿美元，估值达 38 亿美元，投资方包括 Index Ventures、Sequoia、OpenAI 等。
Boltz：处于早期阶段，2026 年 1 月完成 2800 万美元种子轮融资，估值 1.25 亿美元，投资方包括 a16z、Zetta Venture Partners 等。
| | | |
