# AI菌株设计与工程平台
以计算方式设计微生物菌株、蛋白质与抗体的AI原生软件平台——生成式模型、蛋白质语言模型及闭环自动化实验室——有别于传统的湿实验室菌株工程合同研究组织服务模式。
Source: https://cn.bioecon.ru/technology/ai-strain-design-engineering-platforms/
Updated: 2026-09-25
## 概述与价值链
Markers: [EC: AI-native protein/strain design & autonomous lab platforms | OECD: Bioeconomy policy & governance | Regulator: none dedicated]
AI菌株设计与工程平台是一类B2B服务类别，提供以计算方式设计微生物菌株、蛋白质与抗体的AI原生软件，有别于传统的湿实验室菌株工程合同研究组织模式。Ginkgo Bioworks于2026年推出Ginkgo Cloud Lab，一个基于浏览器的界面，让研究人员能够直接在其自主实验室基础设施上运行生物学实验方案，将实验台工作转移至可通过云端访问的自动化系统。Absci运营Origin-1，一个针对新型表位从头设计抗体的生成式AI平台，并与Twist Bioscience合作，将其生成式AI药物创制平台与DNA合成相结合，加速新型治疗性抗体的设计。Cradle运营一个AI蛋白质设计平台，其CRADLE-1模型在从头生成之后执行蛋白质的自动化先导优化，作为下一步骤。LabGenius围绕其EVA平台运营一个闭环发现平台，在结合结构域、连接子及半衰期延长结构域等构建单元中，挖掘出具有非直觉设计的高性能分子。EvolutionaryScale开发ESM（Evolutionary Scale Modeling）系列蛋白质语言模型，该模型开源并被广泛采用，GitHub上数千颗星标反映了开发者与研究界的广泛使用。
AI菌株设计与工程平台的关键方向：
1. **生成式蛋白质设计模型：** 针对指定靶标或表位从头生成新型蛋白质与抗体结构的AI模型，而非筛选天然变体。
2. **自主实验室基础设施：** 可通过云端访问的机器人实验室基础设施，让研究人员能够通过软件界面远程运行生物学实验方案。
3. **闭环设计-构建-测试-学习平台：** AI生成的设计被自动构建、测试，结果反馈以改进下一轮设计的集成平台。
4. **蛋白质语言模型：** 基于蛋白质序列/结构数据训练的大规模模型，为下游生成式设计与先导优化工具提供基础层。
### 行业价值链
```
[靶标/表位规格确定] ──> [AI生成候选设计] ──> [自动化构建/合成]
│
(闭环测试)
│
[先导候选物筛选] <──── [数据反馈至模型] <─── [功能/结合检测]
```
### 价值链层级
| Level | Description | Key inputs/outputs |
|:---|:---|:---|
| **靶标/表位规格确定** | 确定AI设计流程需要满足的靶标蛋白、表位或功能规格。 | **输入:** 研究/治疗目标。
**输出:** 靶标规格。 |
| **AI生成候选设计** | 生成式模型或蛋白质语言模型依据规格生成新的候选蛋白质、抗体或菌株设计。 | **输入:** 靶标规格。
**输出:** 候选设计集合。 |
| **自动化构建/合成** | 候选设计通过合成或构建实现，通常借助自动化或机器人实验室基础设施。 | **输入:** 候选设计集合。
**输出:** 实物候选构建体。 |
| **功能/结合检测** | 通过自动化检测测试实物候选物的目标功能或结合特性。 | **输入:** 实物候选构建体。
**输出:** 检测结果。 |
| **数据反馈至模型** | 将检测结果反馈至AI模型，以改进后续设计轮次。 | **输入:** 检测结果。
**输出:** 更新后的模型/训练数据。 |
| **先导候选物筛选** | 从闭环周期中筛选表现最优的候选物，作为进一步开发的先导化合物。 | **输入:** 更新后的模型/训练数据、检测结果。
**输出:** 已筛选的先导候选物。 |
行业的跨领域技术：
- **生成式蛋白质设计模型：** 针对指定靶标或表位从头生成新型蛋白质与抗体结构的AI模型。
- **自主实验室基础设施：** 可通过云端访问的机器人实验室基础设施，让研究人员能够通过软件界面远程运行生物学实验方案。
- **闭环设计-构建-测试-学习：** AI生成的设计被自动构建、测试，结果反馈以改进后续设计周期的集成平台。
---
## 美国
美国拥有领先的AI原生菌株、蛋白质与抗体设计平台，涵盖云端实验室基础设施、生成式药物设计及开源蛋白质语言模型。
### Ginkgo Bioworks的Cloud Lab，Absci的Origin-1抗体设计，EvolutionaryScale的ESM模型
- **Ginkgo Bioworks：** 于2026年推出Ginkgo Cloud Lab，一个基于浏览器的界面，让研究人员能够直接在其自主实验室基础设施上运行生物学实验方案，将实验台工作转移至可通过云端访问的自动化系统。
- **Absci：** 运营Origin-1，一个针对新型表位从头设计抗体的生成式AI平台，并与Twist Bioscience合作，将生成式AI药物创制与DNA合成相结合。
- **EvolutionaryScale：** 开发ESM（Evolutionary Scale Modeling）系列蛋白质语言模型，该模型开源，并在研究界得到广泛采用。
---
## 中国
本次筛查中，中国以定性方式覆盖，而非通过实地核实的中国供应商：筛查过程中搜索的中国AI菌株设计平台候选者均未针对该具体服务类别获得2026年确认来源。
### 本次筛查未确认总部位于中国的供应商
- **搜索结果：** 本次筛查过程中搜索了两家中国公司候选者，均未针对该具体服务类别获得2026年实地确认来源。
- **市场存在：** 中国在合成生物学研发方面投入巨大，但本次筛查未能独立确认任何一家总部位于中国的AI原生菌株/蛋白质设计平台供应商。
---
## 欧盟
欧洲拥有位于荷兰与英国的专业AI蛋白质工程平台，将生成式与闭环设计方法应用于先导优化与新分子设计。
### Cradle的自动化先导优化，LabGenius的闭环发现平台
- **Cradle：** 总部位于荷兰，运营一个AI蛋白质设计平台，其CRADLE-1模型在从头生成之后执行蛋白质的自动化先导优化，作为下一步骤。
- **LabGenius：** 总部位于英国，围绕其EVA平台运营一个闭环发现平台，挖掘出具有非直觉设计的高性能分子。
---
## 领先企业与研究机构
| Company / Institute | Country | Key products / platforms | Tech features | Status 2026 |
|:---|:---|:---|:---|:---|
| **Ginkgo Bioworks** | 🇺🇸 美国 | Ginkgo Cloud Lab | 基于浏览器的自主实验室访问 | commercial |
| **Absci** | 🇺🇸 美国 | Origin-1生成式抗体设计 | 针对新型表位从头设计 | commercial |
| **Cradle** | 🇳🇱 荷兰 | CRADLE-1蛋白质设计 | 自动化先导优化 | commercial |
| **LabGenius** | 🇬🇧 英国 | EVA闭环发现平台 | 非直觉高性能设计 | commercial |
| **EvolutionaryScale** | 🇺🇸 美国 | ESM蛋白质语言模型 | 开源，开发者广泛采用 | commercial |
---
## 技术栈与创新
AI菌株设计与工程平台的技术栈将生成式建模、蛋白质语言模型与闭环自动化相结合，压缩设计周期：
1. **从头生成式蛋白质/抗体设计：**
- Absci的Origin-1针对指定的新型表位从头生成新型抗体候选物，超越了对天然抗体文库的筛选。
2. **超越从头生成的自动化先导优化：**
- Cradle的CRADLE-1模型在蛋白质从头生成之后，将自动化先导优化作为独立的下一步骤，将候选物推向可制造性与性能的提升。
3. **可通过云端访问的自主实验室基础设施：**
- Ginkgo Bioworks的Cloud Lab让研究人员能够通过浏览器界面直接将实验台工作转移至自主实验室基础设施，消除了物理实验室访问这一瓶颈。
---
## 价值链与生产管线
### 基于AI的蛋白质/菌株设计周期的产业流程
```
┌───────────────────────────┐ ┌───────────────────────────┐
│ 1. 靶标/表位 │ ───> │ 2. AI生成 │
│ 规格确定 │ │ 候选设计 │
└───────────────────────────┘ └───────────────────────────┘
│
▼
┌───────────────────────────┐ ┌───────────────────────────┐
│ 4. 功能/ │ <─── │ 3. 自动化 │
│ 结合检测 │ │ 构建/合成 │
└───────────────────────────┘ └───────────────────────────┘
│
▼
┌───────────────────────────┐ ┌───────────────────────────┐
│ 5. 数据反馈 │ ───> │ 6. 先导候选物 │
│ 至模型 │ │ 筛选 │
└───────────────────────────┘ └───────────────────────────┘
```
#### 阶段1：靶标/表位规格确定
确定AI设计流程需要满足的靶标蛋白、表位或功能规格。
#### 阶段2：AI生成候选设计
生成式模型或蛋白质语言模型依据规格生成新的候选蛋白质、抗体或菌株设计。
#### 阶段3：自动化构建/合成
候选设计通过合成或构建实现，通常借助自动化或机器人实验室基础设施。
#### 阶段4：功能/结合检测
通过自动化检测测试实物候选物的目标功能或结合特性。
#### 阶段5：数据反馈至模型
将检测结果反馈至AI模型，以改进后续设计轮次。
#### 阶段6：先导候选物筛选
从闭环周期中筛选表现最优的候选物，作为进一步开发的先导化合物。