从“生成分子”走向“理解生命系统”： 剑桥大学举办GMTD 2026国际学术会议，聚焦生成式AI赋能药物发现

图1  GMTD 2026会议现场：LLMsFold报告聚焦大语言模型与生物物理模拟结合的从头药物设计

2026年9月29日至30日，Generative Models for Therapeutic Discovery 2026（GMTD 2026）在剑桥大学计算机实验室举行。来自剑桥大学、阿斯利康、弗朗西斯·克里克研究所、奥托斯实验室、因美纳、艾伦·图灵研究所等机构的二十余位专家学者齐聚一堂，共议生成式人工智能在治疗发现中的下一步。

本届会议以“Learning molecules, targets and cell-state responses”（学习分子、靶点与细胞状态响应）为主题。相比早期关注“能否生成新分子”，本次会议更强调AI如何理解分子、靶点、信号通路、细胞状态与疾病背景间的结构化关系，进而用于治疗假设提出、疗效预测和机制解释。讨论范围横跨分子生成、蛋白质与核酸结构、遗传变异、多组学、病理影像及脑疾病研究等议题，标志着AI与生命科学的交叉正从单一任务应用迈向复杂生命系统的联合建模。

本届会议由剑桥大学Pietro Liò教授担任大会主席。Liò教授是欧洲科学院院士、剑桥大学计算生物学教授，长期致力于利用人工智能理解复杂疾病系统并推动精准医学研究。

图2  GMTD 2026大会主席Pietro Liò教授

产业界的深度参与是本届会议亮点。阿斯利康总监Alessandro Bonetti博士项目负责人Mikhail Kabeshov博士分别就长链非编码RNA与治疗机会、产业转化路径作报告，体现了大型药企对生成式AI及新型靶点的关注。Boltz联合创始人兼CEO Gabriele Corso博士则以“生成模型与生物设计”为题，展示了开源模型Boltz-1等在生物分子基础模型领域的进展，将讨论从结构预测推进至真实生物设计与药物发现。

生成式AI正在重塑生物分子的理解与设计方式。Corso博士介绍了AlphaFold 3与Boltz-1等基础模型的发展，其意义在于将蛋白质、核酸、小分子及其相互作用纳入统一框架。报告LLMsFold进一步展示了大语言模型与生物物理模拟的结合，尝试在更真实的物理条件下开展从头药物设计。

图3  会议讨论AlphaFold 3与Boltz-1等生物分子基础模型的发展

在几何深度学习方向，卡塔尼亚大学博士生Salvatore Romano介绍了图表示学习在药物再利用及pMHC免疫原性预测中的应用。图神经网络通过“节点—边”网络表达复杂生物关系，弥补了传统表格数据的不足。

图4  Salvatore Romano报告“Graph Representation Learning in Biology”，聚焦药物再利用与pMHC免疫原性

GMTD 2026将大量篇幅投向细胞状态、信号通路与多组学。罗马第一大学Andrea G. Di Francesco探讨了将RAG（检索增强生成思想）拓展至细胞预测，让模型主动寻找对当前细胞状态最具信息价值的上下文。弗朗西斯·克里克研究所团队则关注乳腺细胞MAPK信号异质性，将细胞周期、分化、信号传导等放在同一框架内讨论，不仅预测变化，更解释跨层级调控机制。

图5  Andrea G. Di Francesco介绍RAG思想在细胞预测中的拓展

图6  会议围绕细胞周期、分化、信号传导、可塑性与异质性的联合建模展开讨论

在脑疾病方向，英国癌症研究基金会剑桥研究所Michail Mamalakis博士展示了从基因到脑成像的可解释、可适应AI研究。这种跨模态建模对于连接分子机制、组织表型和影像变化具有重要临床价值。

图7  Michail Mamalakis博士报告从基因到脑成像的可解释与可适应AI研究

随着生成模型深入生物医学，可解释性愈发关键。艾伦·图灵研究所Tiansi Dong博士介绍了逻辑分类器在分子发现中的应用，强调以逻辑结构解释模型决策。因美纳AI工程师Johann Hawe博士展示了PrimateAI-3D模型，利用蛋白质三维结构及灵长类遗传变异信息预测错义变异致病性，助力临床遗传学筛选候选位点。帕多瓦大学博士后Ilaria Billato则关注组织病理图像与多组学数据的整合，体现了AI研究向多模态融合发展的趋势。

图8  艾伦·图灵研究所Tiansi Dong博士介绍逻辑分类器在分子发现中的应用

图9  Johann Hawe博士介绍PrimateAI-3D在遗传变异解释中的应用

图10  Ilaria Billato报告结束页面，展示其跨团队合作网络

剑桥大学联合培养博士生蒲唯高（Weigao Pu）作了题为“Serp-2 in Liver Transplant Ischemia-Reperfusion Injury: TNFAIP3 and AI-Guided Target Discovery”的报告。该研究聚焦肝移植缺血再灌注损伤，从Serp-2与TNFAIP3机制切入，借助AI辅助靶点发现。这种从明确疾病机制出发，利用计算模型拓展候选策略的路径，体现了AI与实验医学的双向结合，旨在缩小搜索空间并提出更有依据的假设。

图11  剑桥大学联合培养博士生蒲唯高在GMTD 2026作学术报告

会议议程还涵盖RNA结构建模、心脏电生理神经算子等研究。剑桥大学Tom McClelland博士甚至将讨论延伸至“人工意识”这一哲学议题。阿斯利康等产业界专家的参与，使得靶向非编码元件的RNA治疗等前沿算法与真实药物研发流程产生了更直接的联系。

图12  GMTD 2026线上学术交流环节，跨学科讨论延伸至人工意识等议题

图13  会议现场有关靶向非编码元件的RNA治疗内容

从两天会议呈现的研究可以看到，生成式AI在生命科学中的竞争焦点正在发生变化：第一阶段是“能否生成”，第二阶段是“生成得是否合理”，而下一阶段则是“模型能否理解复杂生物系统、解释治疗响应，并在真实实验和临床场景中经得起验证”。

GMTD 2026所展示的，正是这一转变的缩影：人工智能不再只是药物发现流程中的一个附加工具，而正在逐步成为连接分子结构、生物机制、细胞状态与疾病表型的新型研究语言。

资料说明：本文根据GMTD 2026会议官网（https://www.gmtd2026.org/）公开议程、剑桥大学公开人物资料、报告人公开信息及会议现场照片整理。