时代变迁：从自然编码到智能进化

生命编码的发展历程可清晰划分为三个递进时代，每一代均以底层逻辑、技术边界、创造主体为核心区分标志，层层打破前代的能力桎梏。

Genotype 自然进化的原生编码时代

合成生物学的发展可以追溯至人类对遗传密码的首次解读。1953年，Watson和Crick提出DNA双螺旋结构，揭示了生命信息的存储方式[1]。此后的半个世纪，生物学的主流范式是“读取”自然进化的结果，从基因组测序到基因功能解析，人类始终在试图理解自然通过数十亿年进化写就的“代码”。

图片来源于网络

2000年，美国科学家先后在大肠杆菌中利用基因元件构建了“双稳态基因开关”^[2]和“生物振荡器”^[3]，标志着复杂合成生物学的正式开端。在这一阶段，研究者主要依赖自然存在的基因型（Genotype）——即生物体在自然进化中形成的基因组序列作为设计的起点。基因编辑技术如CRISPR/Cas9的出现，使得人类能够对自然基因组进行精准修改。

但本质上，这一时期的“设计”仍然受限于自然进化已经生成的序列空间，人类所做的更多是“改写”而非“重写”。

Synotype 人类主导的合成编码时代

Synotype 的概念在基因型（Genotype）和表现型（Phenotype）的基础上被引入，指的是人类通过合成生物学技术人工设计和合成的基因、基因组及通路。这一时代的关键特征是：人类不再仅仅修改自然存在的序列，而是开始从头设计和构建人工生物系统。

2010年，Craig Venter 团队宣布创造了第一个“合成细胞”——携带人工合成基因组的支原体，这是 Synotype 时代的里程碑事件^[4]。2014年，科学家成功合成了第一个真核染色体^[5]。此后，酵母染色体Sc 2.0的合成、人工基因线路的构建等一系列进展，不断拓展着人类设计生物系统的能力边界。

在这一阶段，基因合成、基因编辑和基因测序技术形成了协同发展的态势。人类开始以工程化的思维方式对待生命系统——将DNA视为可编程的模块，将细胞视为可组装的“底盘”。

然而，Synotype 时代面临的核心挑战在于：人类设计者的认知能力有限，无法穷举和评估指数级增长的序列空间。一个典型的蛋白质由数百个氨基酸组成，其可能的序列组合远超宇宙中原子的数量。人类设计师凭借经验和直觉所能探索的区域，仅仅是这个浩瀚空间中的极小一部分。

Ainotype 算法驱动的智能进化时代

如今，我们迎来了彻底颠覆旧秩序的时代——智能进化型（Ainotype）。Ainotype——由人工智能自主生成的DNA、RNA、XNA与蛋白质序列——既非自然进化的偶然产物，亦非人类设计的有限延伸。它们诞生于算法的迭代之中，以功能为终极导向，打破了结构的形态桎梏，正在以数字原生的方式，重新定义“生命”的边界。

人工智能生命体系的发展

2026 年初马斯克在 Moonshots 播客提出核心论断：“生物学本质是化学，化学本质是物理；只要算力规模足够，癌症、衰老等生命难题均可通过数学建模求解”。他透露，xAI正在开发名为"GenomeGPT"的新型AI模型，专门用于分析人类全基因组数据，预测突变位点对蛋白质折叠和细胞信号通路的影响。马斯克断言“ 未来1到2年内，AI的创新能力将全面超越人类，生命科学研发效率会迎来爆发式提升”。

这番言论并非科幻遐想。2022年以来，生成式AI的浪潮已席卷生物分子的逻辑世界——人工智能突破了数字代码的界限，开始直接生成具备真实生物学功能的全新分子序列。

1. 原子级精准抗体从头设计

2025 年 11 月，2024 诺贝尔化学奖得主、华盛顿大学蛋白质设计研究所 David Baker 团队于《Nature》刊发研究^[6]，基于微调后的 RFdiffusion2 扩散模型，结合酵母展示筛选体系，实现抗原表位定向从头抗体生成，可一次性产出 VHH 纳米抗体、scFv 单链抗体、全长 IgG 完整抗体分子。针对流感血凝素、艰难梭菌毒素 TcdB、RSV、新冠 RBD 四大致病靶点，冷冻电镜解析复合物三维结构显示，AI 设计抗体与抗原主链偏差仅 1.45 Å，功能核心 CDR3 区域偏差低至 0.8 Å，达到原子级匹配精度；初代 AI 分子亲和力区间为数十至数百 nM，经 OrthoRep 系统体内亲和力成熟后，可稳定获得个位数 nM 级高亲和力结合分子。

Design strategies for binding conformational flexible IDPs o

2.国产高精度纳米抗体工业设计平台

2026年6月，由"AI蛋白质折叠奠基人"许锦波教授创立的分子之心团队，依托AI生物药从头设计平台MMDesign，在全球率先实现低通量、高精度、实用级纳米抗体从头设计全流程闭环^[7]。用户仅需输入目标蛋白与表位残基，蛋白质基础大模型与结构预测模型MMFold协同生成数万个候选分子，再经多层智能评估压缩至每个靶点仅数十个分子进入湿实验验证。

在12个高价值治疗性靶点的系统性评测中，每个靶点仅需测试14至50个候选分子，其中11个靶点成功确认特异性结合，靶点成功率超90%，最佳亲和力达皮摩尔级别。在高端生物制剂研发领域的核心技术突破，将带动传统抗体药物研发从耗时漫长的“大海捞针”式盲测，实质性推向精准高效的“可编程定制”时代，为加快发展生物医药领域的“新质生产力”提供了关键支撑。

3.Germinal：开源抗体生成管线

同月，Nature Biotechnology发表了《 Efficient generation of epitope-targeted antibodies with Germinal 》，以纳摩尔级结合亲和力，仅需低通量实验测试即可完成验证。该方法整合了结构预测器与抗体特异性蛋白质语言模型，在用户指定的结构框架上从头设计功能性互补决定区。在四个不同蛋白质靶点的测试中，Germinal在所有靶点和抗体格式上均设计出功能性抗体，每个抗原仅需测试43至101个设计。经验证的抗体在哺乳动物细胞中表现出稳健表达，并兼具高度的序列与结构新颖性^[8]。

4.AI抗体驶入临床快车道

全球首款AI 设计 CAR-T 疗法进入临床（2025–2026） 2025 年 12 月，AI 设计 CAR-T 细胞疗法 GB-5267 完成 IND 申报并获批，2026 年正式启动 I 期人体临床试验；《Nature》同期评论指出：自首款 AI 设计抗体诞生仅间隔一年，AI 原生生物分子已完成从实验室到临床的跨越^[9]。

这些进展清晰地昭示：人工智能生命已“悄然落地”。

技术边界何以破局？

尽管技术可行性的边界正在以前所未有的速度拓展。但将硅基算法输出的序列，转化为碳基生物系统中稳定表达、可重复验证、规模化量产的产品，仍是一道尚未完全跨越的鸿沟。AI模型的“可计算”与湿实验的“可验证”之间依然存在多重需要打通的关键环节。

AI 模型数据断层：可计算、难验证现有绝大多数蛋白生成模型仅依托公开数据库完成训练，缺乏真实湿实验反馈闭环；模型在计算机内输出的理想序列，无法预判细胞表达、体内稳定性、免疫原性等真实生物环境表现，算法长期处于“无校准盲设计” 状态，命中率、可重复性持续偏低。

湿实验验证瓶颈：成本高昂、反馈维度单一基因合成、细胞表达、高通量功能筛选、结构解析全链条实验资金、时间成本极高；传统CRO 仅向 AI 团队反馈 “结合 / 不结合” 二元结果，缺失亲和力、表达量、热稳定性、细胞活性等多维度结构化量化数据，大量实验有效信息无法反哺模型优化。

跨团队系统断层：算法与实验室数据体系割裂AI 算法团队与湿实验研发团队无统一标准化数据接口、统一生物描述语言；实验数据格式、维度无法直接适配大模型训练输入，设计、验证、学习环节信息严重损耗，完整 DBTL（设计 - 构建 - 测试 - 学习）闭环断裂，AI 失去持续自我进化的数据基础。

Ainotype平台：AI-to-Lab翻译与验证引擎

2025年泓迅生物首次提出 Ainotype 平台理论，该平台以 DBTL 理论为基础，依托13年合成生物学分子制造经验以及500万+功能化蛋白分子制造经验，以“AI-to-API 的翻译验证引擎”为核心定位，旨在打造AI活性分子的快速验证与制造体系 ，打通算法与实体实验的全链路壁垒。

Design：AI 原生分子智能设计平台

Ainotype平台以开放的标准化接口，无缝承接合作伙伴AI模型生成的设计序列。无论是抗体可变区、人工基因回路还是全新蛋白骨架，平台均可直接接收并进入后续构建流程，确保AI的每一份设计意图都被完整、不失真地转化为物理实体。

Build：高通量分子构建平台

承载全链条实体分子合成能力，覆盖基因从头合成、载体构建、稳定细胞株构建、抗体文库搭建、CRISPR 基因编辑全栈服务；累计完成超百亿碱基 DNA 合成、500 万 + 功能蛋白实体构建，完整保留 AI 原始设计序列信息，消除构建环节序列失真。

Test：中美双基地标准化湿实验验证中心

布局中美两地合规研发与生产实验室，提供一站式合成- 构建 - 表达 - 纯化 - 功能筛选 - 结构解析全流程验证服务；依托规模化产能优化成本结构，以行业高性价比完成多维度定量功能检测，输出标准化、可量化的多维分子性能数据。

Learn：实验数据回流智能迭代模块

区别于传统CRO 粗放式数据输出，平台统一标准化实验数据格式，所有亲和力、表达量、热稳定性、细胞活性、电镜结构数据可直接导入 AI 模型完成微调训练；每一轮湿实验均为大模型提供高质量真实生物学反馈信号，驱动算法持续迭代优化。

四大模块通过统一数字接口无缝串联，消除跨环节、跨供应商的信息损耗。Ainotype平台以DBTL为核心，完成从AI设计—分子构建—湿实验验证—数据反馈，每一轮循环都将直接驱动AI分子的智能进化。

Ainotype 核心产业价值

大幅提升全新生物分子湿实验阳性命中率；

将“AI 设计到功能验证” 周期由数年压缩至月、周级别；

单候选分子验证综合成本显著下降，降低创新药早期研发门槛；

为AI 生物大模型提供持续、足量、真实的体内外实验数据集，实现算法与实体生物实验协同进化。

人工智能分子已然诞生，人类对“生命” 的定义正在被彻底改写。它成为一类可由算法原生生成、数据持续驱动、工业体系规模化量产的全新数字生命形态。Ainotype AI分子制造平台正持续加速合成生物学、生物医药、生物制造全产业链的快速发展。

Reference

[1]. WATSON JD, CRICK FH. Molecular structure of nucleic acids; a structure for deoxyribose nucleic acid. Nature. 1953 Apr 25;171(4356):737-8.

[2]. Gardner T S, Cantor C R, Collins J J. Construction of a genetic toggle switch in Escherichia coli[J]. Nature, 2000, 403(6767):339-342.

[3]. Elowitz M B, Leibler S. A synthetic oscillatory network of transcriptional regulators[J]. Nature, 2000, 403(6767):335-338.

[4]. Gibson D G, Glass J I, Lartigue C, et al. Creation of a Bacterial Cell Controlled by a Chemically Synthesized Genome[J]. Science, 2010, 329(5987):52-56.

[5]. Annaluru N, Muller H, Mitchell L A, et al. Total Synthesis of a Functional Designer Eukaryotic Chromosome[J]. Science, 2014, 344(6179):55-58.

[6]. Liu C, Wu K, Baker D, et al. Diffusing protein binders to intrinsically disordered proteins. Nature. 2025 Aug;644(8077):809-817.

[7]. The MoleculeMind Team. (2026, June 3). Practical De Novo Nanobody Discovery with Tens of Experimental Candidates. Zenodo.

[8]. Mille-Fragoso L S, et al. Efficient generation of epitope-targeted antibodies with Germinal [J]. Nature Biotechnology, 2026.

[9]. Callaway E. What will be the first AI-designed drug? These disease-fighting antibodies are top contenders[J]. Nature News, 09 December 2025.