此后，这些蛋白质结构预测工具正式开源并公布数据库，这不但为学术研究提供了有力的工具，同时也加速了这些结构预测工具在产业界的应用，尤其是药物研发领域。
（Zelixir Biotech）便是其中之一，这是一家成立于 2021 年的生物计算平台型公司，专注于蛋白质结构计算，包括蛋白质结构预测、设计以及生产等。据悉，该公司正在搭建干湿全链条的自动化计算平台，目前的重点布局方向是基于计算的药物辅助研发和合成生物学业务。
公开资料显示，该公司已连续获得了由鼎晖投资和朗煜投资领投的天使轮和高瓴创投领投的 Pre-A 轮融资，累计融资超亿元。
近日，该公司宣布蛋白结构预测专家、原腾讯 AILab 高级研究专家博士加入，并担任 CEO。王晟拥有超十年蛋白质结构预测研究经验，他本科毕业于上海交通大学生命科学院，并在中科院理论物理所获得博士学位，博士后研究师从芝加哥丰田计算技术研究所教授。
▲图 | 王晟博士（来源：受访者提供）
2016 年，他作为主要开发者开发出 RaptorX-Contact 方法，该方法的蛋白质预测精度最高达到 80%，“货真价实” 地为蛋白质结构预测带来本质的突破。在腾讯期间，他还主导开发了 tFold 工具，据了解，该工具在 CAMEO（全球唯一的蛋白质结构预测自动评估平台）的国际测评中连续半年保持周度冠军（2020 年 6 月 -2020 年 12 月）。
“生物计算风正兴起，计算生物学在药物研发蛋白质结构预测和设计，以及合成生物学酶设计和筛选的发展欣欣向荣，现在正是可以做点事情的时候。的英文名是 Z+elixir，elixir 有灵丹妙药之意。我们希望利用人工智能或者计算的方法，实现从无到有，达到点石成金的效果，最终在生命科学领域找到真正的‘灵丹妙药’。” 告诉生辉。
官方通稿指出，加入后，将会带领智峪生科团队探索 AI 或者计算手段真正在合成生物学等领域带来一场看得见的革命。
对于而言，此番加入，更像是一次 “回归大家庭”。据了解，智峪生科的部分创始团队来自王晟曾带领的 tFold 研发团队，其余创始成员都或多或少与王晟有过多年合作。事实上，王晟也一直密切关注着智峪生科每一步的发展。
“目前，基本上已经从一颗小树苗慢慢发展成为具有顽强生命力的小树。” 说。
该公司计划基于蛋白质的理论+数据+AI+模拟+实验模式，将蛋白结构预测及设计技术应用于靶点发现、药物设计、酶工程、生物合成催化等领域中。“我们在蛋白质结构计算和蛋白结构设计上具有丰富的经验，现在将独具优势的两项技术结合在一起，搭建出极具潜力的基于 AI 的蛋白质计算和设计平台，这可以形成很强的护城河。”
这一平台的核心是蛋白质结构计算与设计，团队正在将计算、设计以及下游的生产或者湿实验三个环节集成在一个平台上，形成一套从干实验到湿实验的自动化流程。这样设计端和生产端形成的数据会自动反馈给计算端，以此循环优化计算模型。
▲图 | 专有技术平台（来源：智峪生科）
值得一提的是，平台还内含一套自研硬件框架体系，包括自建的可扩展高通量高性能蛋白计算超算平台峪云 Zcloud。据悉，峪云能够提供超大规模并行蛋白质结构预测、蛋白复合体预测、分子动力学模拟、药物筛选、自由能微扰、分子属性预测等云计算服务平台。
▲图 | 服务板块（来源：智峪生科）
“一方面，得益于自建的超算平台，在相同或者类似算法下，平台的运行、运算速度会比公有云效率更高；另一方面，该平台将多个不同的运行模块像拼积木一样串联在一起，在一定程度上用户一键操作即可完成新药研发前的蛋白质相关研究工作，无需多次手动运行不同模块。这一工作对于研究和产业应用都会具有非常大的价值。” 告诉生辉。
也就是说，未来，通过一键操作就可以根据客户需求，交付功能已经验证的蛋白或者是功能性的菌株。
该技术平台的应用方向可扩展到药物研发辅助和合成生物学领域中。比方说，可以为科研院所、药企、CRO 等提供计算和辅助研发等临床前服务，也可以打通合成生物学设计-测试-放大-生产平台，开发和确定核心产品。
在合成生物学场景，团队计划通过高通量自动化流程把计算和 AI 以及下游高通量实验室的整个完整的链条、小试和中试全部集成在一起，利用 AI 实现整个研究的自动化和智能化。
据透露，通过纯 AI 计算和设计方法，公司在短时间内将医药中间体的酶从天然底物出发进行了改造和设计。他们发现，改造后的酶催化活性大约提高了 5-7 倍，热稳定性也提高了近 30 度。同时，还可以对酶的催化口袋进行嫁接和改造，创造出一种此前不存在的通路，通过纯生物法开发出产品。
“这是一套非常通用的技术，基本上可用于所有的酶和蛋白质，而且相对传统方法更精准，速度更快，成本更低。”
“20 年前，如果想要真正理解生命的奥秘，单靠传统的生物学方法还不够。” 说。他本科主修生物学，博士期间，开始探索利用统计物理的方式研究蛋白质结构预测问题。
告诉生辉，2012 年前，AI 的神经网络不够深，难以对海量数据进行学习和利用，AI 或者深入学习还欠火候，这是困扰彼时 AI 和深度学习的重要问题。2015 年前后，AI 正处于从机器学习（ML）向深度学习（DL）过渡的关键阶段，转折也出现在这一时期。
2016 年，何恺明、孙建等人提出残差神经网络方法，解决了深层网络模型难训练的问题。2016 年，该论文拿下了计算机视觉顶级会议 CVPR 的最佳论文奖，2021 年底论文被引量已突破 10 万大关。坦言，这项研究具有划时代的意义，真正为 2015 年之后深度学习的爆发式增长奠定了基础。
（来源：ieeexplore）
2016 年，受残差神经网络方法的启发，和 等参与开发出上文提到的 RaptorX-Contact，该模型极大提高了蛋白质结构预测的精确度，最高预测精度可达 80% 左右。“实现 80% 的预测精度表明，这项工作能够真正带来质的突破，这就像业内的一颗 “重磅炸弹”，对整个领域也具有革命性推动作用。” 王晟说。
此后，DeepMind 推出的蛋白质结构预测工具 AlphaFold_v1、David Baker 实验室开发的 trRosetta 的框架都曾借鉴 RaptorX-Contact 的方法。2020 年，AlphaFold2 预测分值中位数为 92.4 GDT，与实验室水平相近。
“AlphaFold2 是一个具有划时代意义的方法，这预示着通过纯计算方法预测的蛋白质结构可以基本达到实验室水平。也证明计算方法有实力比肩实验室手段，这是计算生物学领域一场真正的革命。计算生物学的时代已经来临了，我们可以通过这些计算手段落地一些场景。” 说。
继续补充道，未来，生物计算在整个生命科学产业中一定会大有所为，这种方式将会在生命科学领域带来一场看得见的革命。在生物制药领域，AI+制药公司已如雨后春笋般涌现，国内外的多家 AI+制药公司也已经验证了 AI 在制药领域的价值，无论是、、、 等相继上市，还是 AI 研发的新药已经进入临床研究阶段，进一步验证价值。
“国内外很多 AI+制药公司已经验证 AI+制药是一条可行之路。我们希望另辟蹊径，探索 AI 或者生物计算方式在合成生物学领域的潜力，探一探这些方式会在合成生物学领域带来哪些惊喜。从无到有造酶，或者从宏基因组中挖酶，我觉得这些手段会为该领域的发展带来一定的颠覆性影响，也是下一步重点发展的方向。” 对此信心满满。
