AI制药，开始卷实验室了

动脉网·2026年11月12日 08:25

AI制药新焦点：建实验闭环，以实验室促药物研发

AI能在一瞬间生成成千上万个分子，但把它们做出来，仍然需要大量时间和实验资源。

这正是AI制药正在面对的新问题：分子设计和计算筛选不断提速，实验能力却未必同步增长。

随着分子设计和计算筛选不断提速，实验能力正成为AI制药新的竞争焦点。实验室不再只是验证模型结果的场所，还需要持续生产高质量数据，让实验结果反过来推动模型优化。

近几年，一批AI制药公司开始自建实验室，将实验能力纳入技术平台。Terray Therapeutics就是其中一个案例。

这家成立于2018年的AI制药公司，将高通量实验设备、自动化实验流程和AI模型整合在同一套研发体系中，试图让实验室从研发流程中的验证环节，转变为模型持续学习的数据来源。

2026年10月，Terray公布了与英伟达的合作进展：双方通过微调Nemotron系列视觉语言模型，从科学论文中的化学反应示意图提取分子结构、反应物和合成路线。在RxnCaption基准测试中，模型的HybridMatch F1从59.8提升至63.4。

这项进展并不意味着实验室的合成效率已经提高。它反映的是模型识别和提取化学反应信息的能力有所改善，为后续合成路线规划提供更多可利用的数据。

从实验数据生产，到分子预测和合成规划，Terray正在尝试把AI与实验室连接成一个持续运转的研发闭环。

让实验室成为AI研发的一部分

面对数据不足的问题，Terray选择从实验室入手，将实验数据生产、模型设计和后续验证连接起来，形成一套持续迭代的研发闭环。

2025年11月，Terray将这套体系命名为EMMI（Experimentation Meets Machine Intelligence，实验与机器智能）。它并非单一模型，而是将实验硬件、自动化流程和多个AI模块连接起来的小分子研发平台。

实验室首先负责生产数据。

公开数据库虽然积累了大量分子结构和实验结果，但不同实验室的检测方法、实验条件和数据精度存在差异，对未命中分子的覆盖也不充分。对于缺乏已知活性分子、尚未被充分研究的靶点，仅依赖公开数据往往难以获得足够的训练信息。

Terray因此自研超高密度微阵列芯片，将大量小分子固定在芯片上，并行测量它们与目标蛋白的结合情况。其价值不只是提高筛选通量，更在于持续获得适合模型训练的定量实验数据。实验室由此不再只是模型结果的验证部门，而成为AI体系的数据入口。

截至2026年6月，Terray披露累计完成超过4200亿次单独测量，涉及超过170亿种独特的“靶点—分子”相互作用。这些数据为模型训练提供了新的信息，也帮助公司探索公开数据库中尚未充分覆盖的化学空间。

有了数据，不同模型再分别参与研发决策：

COATI是化学基础模型，将分子的字符串、二维结构和三维构象映射到统一的数学表征空间，为后续分子生成和性质预测提供基础；

TerraSynth是合成路线规划模型，为候选分子提出合成路线，在设计阶段提前考虑分子能否被实际合成；

TerraBind是结合效力预测模型，评估小分子与目标蛋白可能具有多强的结合能力；

EMMI Select是实验选择模块，结合模型预测结果和不确定性评估，辅助决定下一批优先合成和测试哪些分子。

这些模块解决的是同一研发流程中的不同问题：从分子表征、合成规划和结合效力预测，到选择最值得验证的一组候选。毕竟，模型可以提出成千上万个设计，实验室能够合成和测试的数量却有限，预测分数最高并不一定意味着最值得投入实验资源。

在合成规划方面，2026年6月，Terray推出TerraSynth。据其披露，在17个内部项目中，采用这一流程提出的分子，相较于未考虑合成约束的设计方案，合成速度提高约2至4倍，合成延迟最高降低75%。

与英伟达合作解析化学反应图，也是这一环节的数据补充：通过视觉语言模型，将论文中的反应示意图转化为结构化信息，为模型学习化学反应规律提供更多数据。

在结合效力预测方面，Terray也公布了TerraBind-Struct的测试结果。公司称，在单张NVIDIA A6000 GPU上，TerraBind-Struct对单个蛋白质—配体复合物的端到端推理速度约为Boltz-2的26倍；在公开CASP16测试集和公司内部数据集上，其结合效力预测与实验数据之间的Pearson相关系数较Boltz-2提高约16%至20%。

相比Boltz-2，观察到每个复数端到端推理时间相比提升了26倍（在单个A6000 GPU上使用196个令牌、10个采样和NVIDIA的cuEquivariance核）

这意味着，Terray希望在有限的计算和实验资源下，筛选更多候选分子，并将更值得验证的设计交给实验室。

它解决的不是“哪个分子分数最高”，而是“哪一组实验最值得优先开展”。

最后，让实验结果重新回到模型。

Terray通过定制软件连接AI设计与实验室自动化，将分子合成、实验检测和模型更新衔接起来。新一轮实验不仅用于验证预测，也会产生新的训练数据，影响下一轮分子设计。

由此，Terray希望建立的不是“AI生成—人工验证”的单向流程，而是：

实验生产数据—模型提出设计—实验室合成与测试—结果回流模型。

这套闭环才是EMMI的核心。COATI、TerraBind、TerraSynth和EMMI Select并不是彼此孤立的产品，而是分别承担分子表征、性质预测、合成规划和实验选择等任务，共同嵌入研发流程。

合作先行，管线随后

技术体系是否有效，最终仍要由研发项目回答。

目前，Terray已与多家药企建立合作。

Terray合作情况一览

这些合作中，药企主要提供靶点资源及相关疾病生物学知识，Terray则依托自身的高通量实验和AI平台开展小分子药物发现。根据合作协议，双方在后续研发和商业化环节的分工有所不同。

以Gilead的合作为例，双方围绕多个靶点开展小分子药物发现与开发。如果Gilead行使独家许可选择权，将负责相关化合物的后续开发和商业化；Terray则有资格获得首付款、研发及销售里程碑付款和销售分成。

2025年12月，Terray宣布在与BMS的合作中达成首个药物发现里程碑，称相关成果涉及此前缺乏化学起点、具有挑战性的靶点。不过，公司没有披露具体靶点、候选分子、项目阶段或里程碑金额。

相比合作进展，Terray的自研管线还需要时间验证。

Terray在研管线情况一览

2026年2月，CEO Jacob Berlin在接受GEN采访时表示，公司推进最快的自研项目是一款具有脑穿透能力、用于多发性硬化症的抑制剂，预计2027年进入临床。采访没有披露具体靶点和临床前数据。

这一时间表较公司此前的预期有所推迟。2024年，Terray曾预计首个候选药物于2026年进入临床；到2026年2月，这一时间节点更新为2027年。

这也反映出Terray当前所处的发展阶段：平台持续扩张，合作不断推进，自研管线却仍在临床前。

一年之差谈不上失约，却说明平台能力和临床进度本来就是两条不同的曲线。药企合作中的阶段性里程碑可以体现平台在特定项目中的应用价值，但自研药物仍要经历候选物确定、临床前研究和临床试验等环节。

Terray的平台能否真正转化为药物资产，还需要更多项目结果来回答。

AI制药，各有各的实验室

并不是所有AI制药公司，都把自建实验室作为平台建设的核心。即使都在投入实验能力，各家生产的数据也不尽相同。

不同AI制药公司的技术切入点与平台布局

一个更基本的问题因此浮现：模型需要的数据，由谁、以什么方式、在什么实验条件下生产？

Terray的回答是小分子与靶点的相互作用数据。通过超高密度微阵列芯片，它可以让数百万种小分子与目标蛋白进行并行结合测量。这些数据既用于发现苗头化合物，也用于后续的先导化合物优化。研究对象聚焦，测量通量高。

Recursion则以细胞表型数据为重要切入点。通过自动化细胞实验、高内涵成像和多组学分析，它观察基因或化合物扰动后细胞状态如何变化，从中寻找与疾病相关的生物学规律。

insitro进一步将实验室产生的细胞表型数据，与人群队列、临床数据和遗传学信息结合起来，希望从人类疾病的遗传和生物学机制中识别更具因果关联的干预靶点。

也有企业的平台建设并不以自建高通量实验室为核心。Schrödinger以计算化学和分子模拟软件起家，软件产品及服务仍是其主要收入来源，同时也开展药物发现业务；Isomorphic Labs则重点推进AI药物设计模型，2026年2月发布的IsoDDE覆盖蛋白质结构预测、结合口袋识别和结合亲和力预测等能力。它们说明，自建实验室并不是AI制药平台的唯一发展路径。

中国企业也在探索不同的实验路径。

英矽智能则将AI平台建设与自研管线推进结合起来。生成式AI用于靶点发现和分子设计，候选药物则由公司持续推进临床开发。其自主研发的Rentosertib于2026年进入III期临床，并于9月9日完成首例患者给药。

晶泰科技将量子物理计算、AI模型与机器人实验结合，通过智能体编排模型和实验设备，推动计算设计、实验执行与数据反馈之间的迭代。它的实验体系不仅承担数据生产任务，也试图缩短从计算预测到实验验证的周期。

几种路径摆在一起，差别不在实验室的面积，而在两个问题：实验产出什么数据？这些数据能否持续反馈给模型？前者影响模型能够研究的问题，后者则关系到模型能否通过实验反馈不断改进。

放在这张行业图谱中，Terray的位置也更加清楚：它将高通量的小分子—靶点相互作用数据生产放在平台核心，再通过预测、筛选和合成规划，将实验数据连接到后续的分子发现与优化。