# WeMol Copilot：多智能体自动化抗体设计 > **合规声明（生成式 AI 服务）**：前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营，具体信息以中国区域官网为准。 > > **完整资料：如果想了解更多内容可以访问:https://events.amazoncloud.cn/china-summit-on-demand/ > > **免责声明**：本摘要仅为便于您了解峰会内容而提供，我们不对其完整性及准确性作出任何保证，且不构成任何建议或结论。相关内容仅供参考，实际内容以峰会回放视频为准。 ## 一、基础信息 - **会议类型**：专题演讲 - **Persona**：Agent 构建者 - **时间信息**：6月23日 | 15:00 - 15:30 - **标题**：WeMol Copilot：多智能体自动化抗体设计 - **PDF 资料**：无 - **视频回放**：有 ## 演讲人信息 ### 会议信息 - **地点**：上海世博中心（2026 亚马逊云科技中国峰会） - **日期**：2026年6月23日（Day 1） - **时间**：15:00 - 15:30 - **会议类型**：专题演讲 - **面向 Persona**：Agent 构建者 ### 亚马逊云科技演讲人 - **刘振华**：解决方案架构师经理 ### 客户 / 合作伙伴演讲人 - **李小兵**（北京中大唯信科技有限公司）：合伙人兼副总裁 ## 二、会议资料 PDF 转录内容 （本场次无 PDF 资料） ## 三、会议回放视频转录内容 大家好我是李小兵 非常感谢亚马逊云科技对我们公司的邀请 我们公司是一家面向生物医药研发的 AI 平台开发企业 本次报告我给大家介绍的是我们公司基于 WeMol 平台开发的一个 Copilot 智能体抗体智能化设计平台 然后这个是我今天给大家介绍的主要的内容 第一块是 AI 驱动的抗体药研发 然后 AI 在药研发当中其实已经应用了非常多年 因为我从13年硕士毕业之后 其实计算和 AI 已经大量在药研发中应用了 然后第二部分其实是 WeMol Copilot 的一个智能体平台的一个架构 第三部分是我们在构建整个 WeMol Copilot 的时候 构建了一个模型中心和工作流的一个平台 然后第四个部分是一些应用和结果展示 然后最后我们会基于我们对于行业理解 对我们整个产品的平台做一些未来的一些规划的一个设计 在介绍 Copilot 之前 我们先介绍一下 AI 驱动抗体药物研发的一个大致的一个背景 其实抗体药物在很多的癌症肿瘤当中用非常广泛 就是我们现在的生物药也非常火热 然后我们大量的在疾病领域里面治疗使用我们的抗体 或者是以抗体为基础开发的像 ADC 药物 或者 AOC 药物或者双抗等等一系列的药物 在整个药物领域是非常广泛的一个大的药物类型 然后我们在药物开发当中 其实这张图其实是我们在整理的 就是在抗体药物研发当中 可能会应用到了一些与我们计算或者 AI 结合的一些点 包括从最早期我们从动物来源的 或者从专利来源的一些分子 然后进行后续的筛选或者优化的一些工具 然后我们做了一些总结 然后包括像一些抗体的一些性质的计算 包括一些性质的预测 以及包括一些设计的一些能力 包括一些结构预测的功能 结构预测这一块大家可能比较知道的 可能像 AlphaFold 之类的一些程序 可能非常多 包括我们自己开发的一套结构预测的一些方法 其实在整个生物药领域应用非常广泛 那么还有一块就是我们在整个研发当中 其实不仅仅是要获得从0 到 1 获得一些分子 那么从其实改造分子也是一个非常大量的一些 AI 应用的一些场景 那么我们在整个从药物发现 从发现候选到 PCC 这个 PCC 就是说我们在进入临床之前 确定了一些分子的一些性质或者 profile 然后能够满足我们进入到临床申报 或者是进入到 IND 申报的一个过程 第二部分是 AI 在整个 WeMol 平台当中 其实有非常多的案例 当然我们在介绍 Copilot 之前 其实我们在有这个技术之前 我们其实大量的是使用 AI 的技术去帮助客户去开发 优化我们的抗体分子 然后这个项目是我们应该是几年前 然后跟客户一起合作的一个案例 然后通过我们的 AI 的一个方法的设计 结合客户的一些湿实验的能力 去帮助客户去改造我们的抗体的一些性质 这些抗体性质包括像 我们蛋白在表达量上面的一些提升 以及包括像纯度 亲和力上面的一些提升 然后这里面就会涉及到一些分子层面的一些优化 包括像我们的聚集分析 然后等等免疫原性分析等等 都需要通过我们整个 WeMol 平台的 AI 能力 去帮助它去改造或者设计 那么这是我们传统的怎么用 AI 去 跟我们湿实验的研发去结合的一个过程 那么我们这里面有一个比较大的一个点 就是说我们在药物研发当中 可能面临的是我们通过 AI 去设计分子 实际上是设计的微观形态的一个分子 那么我们其实在真正的湿实验验证的时候 需要把这些分子做合成表达 然后再通过测试拿到一些宏观的数据 那么就需要有 AI 通过 AI 或者计算的方式 链接我们的微观的一些数据 到我们的宏观的一些数据上面去 第二部分是我们给大家介绍一下 就是智能体的一个 我们 WeMol Copilot 的一个智能体平台的一个架构 在介绍架构之前 可能在我们这个领域里面 可能会遇到一些非常多的问题 传统的 AI 跟实验流程结合 可能还会有一系列的问题 因为像我们在药物开发当中 可能会面临非常复杂的一些 多目标优化的一个过程 比如说像抗体药物里面像它的亲和力 然后稳定性、人源性、免疫原性 等等一系列的这种分子性质 它直接影响到了后续的这种 能不能成为一个药物的一个关键的一个属性 那么可能在这种多目标优化的过程当中 会面临非常复杂的一个选择过程 我要选择用什么模型 用什么算法等等 都会面临一系列的选择的问题 这种情况通常都是 我们结合我们的人工的专家的经验 来去使用这些工具 或者是 AI 的模型 然后第二个部分就是 我们没有一个统一的模型 去直接实现这种多目标的优化 因为每一个任务 可能它都对应不同的这种模型或者算法 那么可能造成大量的 比如说像 AlphaFold 之类的这种 结构预测模型也非常多 然后序列的一些语言模型也非常多 以及一些可开发性的 预测模型也非常多 它通常情况都是有商业的 有开源的 有自己企业内部研发的一些模型 那么通常会比较隔离 那么怎么去选择这种 把这些模型去整合在一块呢 可能也是我们现在研发当中 在使用 AI 的时候面临一个问题 那么可能我们同时 在药物研发当中 可能非常多的一些 性质的预测它可能 不是一轮 它就可以拿到非常好的结果 因为我们很大量的这种 抗体药物的这种 性质的预测的模型 它都是一个打分的排序 它不是一个确定性的一个东西 它只是告诉你一个概率性的一个排序 所以可能它没有完全 达到100% 的准确 通常情况像 AlphaFold 之类的这种结构建模的一个准确度 也没有达到100% 的准确度 所以可能你要面临的就是 你要不断地去通过你的 实验的数据来迭代你的模型 或者你的算法 或者计算过程等等 那么可能就需要我们进行这种 非常系统化的 去闭环我的模型 到实验验证的一个路径 那么我们公司 就是基于这两 前期的大量的 跟企业沟通了一个 AI 应用的实践 整合了 这样一个 Copilot 的架构的一个 产品的形态 那么我们依托 亚马逊云科技的一个 算力的高性能 基础设施跟数据底座 然后我们在此之上构建了 像 AI 的一些模型中台 然后工作流编排 以及智能体交互 然后我们为什么没有把 智能体放在上面 是因为在整个微观世界 映射到我们宏观的时候 我们需要有一个 另外一个交互层面 就是我们整个 通过可视化的方式 然后对我们计算的结果 进行验证 其实是人为的验证 因为很多时候 我们不仅仅是需要通过 AI 的方式去验证 通常情况还要引入一些 人为的经验验证 当然我们在现阶段是这样 当然我们想像的是 就是未来可能把所有人为的经验 都引入到我们计算过程中当中 逐渐把人为的经验 融入到我们的智能体当中 但现在我们可能 在过渡阶段上 可能还是需要加一层 就是怎么用 我们前端可视化的一些交互 跟我们结果进行 让人为的去确认和验证 因为我们整个平台 基于亚马逊云科技做了大量的支撑 所以我们接下来 对于底层的一些 算力架构等等 Agent 架构可能需要刘总 进一步给大家 再详细的再介绍一下 好的 感谢李总 我这边是来自于 亚马逊云科技的解决方案架构师团队 我叫刘振华 接下来我给大家介绍一下 咱们这个 WeMol Copilot 在亚马逊云科技上的架构 是如何实现的 大家看起来稍微有点复杂 实际上 其实 WeMol Copilot 这边设计的 还是比较精巧的 我们看这上层是交互层 交互层来说 我们的使用人员 实际上是科研的人员 大家来说 最习惯的方式 还是希望能通过 自然语言的方式 来跟我们的 Agent 来对话 我们首先是有个对话的模式 同时我们也有 叫命令行模式 以及有些其他系统 想要跟我们对接的话 也可以通过 MCP 的方式 跟我们的 WeMol Copilot 进行对接 有了这个之后 再往下一层 那就是我们的智能体的编排 这一层的话 其实用到我们的 AgentCore 和 Bedrock 这样两个服务 首先我们当一个自然语言输入之后 我们肯定要进行意图的识别 然后进行编排 接下来进行选择用哪个工具 然后从我的记忆模块里找到相应的上下文 然后进行执行 所以这部分的话 就在这个智能编排层 我们进行完成 同时里面我们还用到了 我们 Bedrock 本身内嵌的 Knowledge Base 的一个知识库 这样子可以把我们专业的知识 直接灌进来 这样子回答的时候 就不是一个通用的一个回答 而是基于我们历史的数据 我们专业的知识的一个回答 那第三层 那我们就是一个模型 模型相关的一些和调用的层 模型的话本身我们有 Bedrock 那里面有很多模型 但其次的话 其实我们本身 我们 WeMol Copilot 的话 也有 200 多个内置的算法 那大家也都可以直接去调用 那调用的时候 实际上是用了我们 SageMaker Endpoint 这样的一个服务 那大家最终的话 直接调用 Endpoint 跟调用一个 API 一样 非常简单 也比较高效 那再往下的话就是怎么样的 就是我们要去 真正去执行我们的任务了 那这个时候 因为大家也知道 我们在分子抗体的一些设计的时候 实际上无论是结构的预测 还是我们的分子的一些仿真等等 但这个实际上是大量的计算的 我们会有一个 HPC 的一个框架 我们叫做 Parallel Cluster 框架 帮大家执行 那里面有一些引擎 大家直接可以进行直接调用 那同时我们也会有一些 我们一些自研的一些 Trainium/Inferentia 芯片 可以让大家来执行 那实现我们的性价比最高 那最后的话 其实最终的最重要的是 我们这所有的数据的安全合规保障 我们数据存在哪里 那这边我们关系型数据库 和非关系型数据库 我们都有相应的服务 另外我们所有的执行 都可以在一个 VPC 专有网络里面执行 这样能保证我们所有的这个调用 链路都是安全可靠的 那整体来说 有这样的一个五层架构之后 我们就可以看到 我们通过一个自然的语言 说一句话之后 我们通过执行 通过计算 直接触发 那所有的这些服务 都在亚马逊云科技上都有相应的托管服务 所以大家各种 就各位科研人员也不用担心 说大家我不太了解这个亚马逊云科技怎么用 其实托管服务的话 就像搭积木一样 很快的就可以把它搭好 那最终的时候 通过模型的能力 通过我们托管服务的能力 就可以快速构建一个属于我们自己的 就是 WeMol Copilot 那接下来看 那我会把两个地方再展开一下 一个是说 我们科研智能体这个 怎么去进行调度 那模型是怎么样的 我们会有 Bedrock AgentCore 两个服务 那首先看智能体编排的时候 我们一般要进行意图的识别 这个相对比较繁 然后我们还要做什么呢 我们做运行时 然后我们做上下文对话 然后我们做存储 包括我们的一些 API Gateway 之类 相关的一些控制 那这些东西其实 AgentCore 本身就有相关模块 大家直接调用就可以了 第二个来说 那我们很多工具 第三方工具 有自研的工具 然后还有一些常见的工具 那这怎么办呢 我们其实从协议角度来说 我们用 MCP 协议 直接就可以直接调用 那就不用想到说 我每个不同的协议 该怎么去兼容 另外的话 我的短期记忆和长期记忆 能保证我们科研人员的 一些意图能够被保存 同时在上下文 也是在每个对话中 能够被维持 这样子来说我们不用重复的 把每一个行为 再把上下文重新灌进去 一方面是影响 Token 第二方面也是让我们的工程化 真的更加麻烦 第三个方面的话 就是安全与合规 那这个其实是亚马逊云科技的长项了 如果关注亚马逊云科技的朋友也知道 那亚马逊云科技一直把安全 作为我们的零号工程 所以我们这个方向的话 第一个就是我们在一个独立的网络中执行 第二个我们就权限的管控 哪一个人能执行哪一个 我们可以哪一个模块 我们可以做一个精细化的 颗粒度的 就是权限管控 第三个我们还有 Bedrock 里面有个安全围栏 Guardrails 的一个功能 也就是说我们的输入输出 完全可以按照我们的规则 进行管控 那这样子来说 就可以做一个企业级的安全 第四个就是我们刚刚说到 WeMol 有特别多的工具 特别是我们的工作流 也希望被调用 这个没问题 我们其实都可以深入集成 这样子就让我们的科研 通过对话式的方式 对话式科研 成为一个现实 大家只要科研人员 聚焦在自己的一些 我们真正做的 跟我们的业务有关的研发上面 只要通过自然语言 输入给我们的平台 就会完成所有的计算和执行 那最后一部分 我这边分享的就是模型的选择 因为很多科研人员来找我 说现在模型发展太快了 那我怎么选择 因为今天有亚马逊云科技 明天又有其他友商 我们在架构选型 是不是变得越来越困难 那在这里面的话 我们其实 Bedrock 就可以解决这个问题 一站式的 就是说我们通过一个 API 那可以有不同的模型 大家知道就是 Claude 模型 和大家经常用的 OpenAI 的 GPT 模型 GPT-5.5 在亚马逊云科技上也有 那以及国内的时候 那我用国内什么 DeepSeek MiniMax Kimi 那亚马逊云科技上都有 那切换不同的模型 我们只要改一个 model ID 模型 ID 就可以了 这就非常简单 从供应链角度来说 大家不用担心会被 就是一个云厂商 就是束缚住 那我其实我们就非常方便的 就是改 model ID 就相当于说 我们的配置 就可以完成我们的模型的切换 第二个来说 那大家也经常问说 这个是不是用最贵的模型就好了 这个其实我们在我们内部也会说 就是就像我们招来一个 清华北大的一个应届生 那我们放在前台上 是不是合适呢 感觉不是特别合适 感觉是这个 ROI 太低了 所以我们应该是在不同的场景 我们用不同的模型 那比如说我们在推理 复杂推理的时候 我们用 Claude 模型 那我们在简单打标 或者说我一些简单的摘要分析 整理的时候 我们就可以用到 比如说 Amazon Nova 模型 那成本就可以节省35% 到50% 那在一些像向量化 比如说我们叫 embedding 的时候 我们可以用 Claude 模型 那不同场景选择不同模型 实际上是在我们的性能 和成本方面形成一个平衡 第三个就是很重要 很多朋友都问说 用云上的模型会不会 我的数据会被训练 那这个我们可以非常明确的告诉大家 就只告诉你一点 就是说我们100% 不会拿大家的数据进行训练 这个也会写进我们的调用的合同里面 所以说大家可以很放心 那第四点的话 就是大家也会很关注的 就是说现在模型特别多 那我能不能用到最新的模型 那这个回答是我们 都会第一时间把最新的模型 上架我们的 Bedrock 第二点来说 说我怎么知道这个模型 到底用得好不好 那这个其实我们提供了一个 专门的模型的一个 评价的一个模块 那大家可以通过亚马逊云科技测试 通过不同的定义一些指标 我们看看同样的场景 在不同的模型输出出来 到底哪个会更好 我们从定量的方式来比较 那这样子就能达到我说 在不同的场景 我们选择最合适的模型 那总的三页 PPT 我总结一下 就是说亚马逊云科技的分工 就是我们会除了以前说基础设施 现在我们又把基础模型的一些运维 也都包含进来了 那大家在进行智能体的一些 大模型的创新的时候 就完全可以把自己的时间 聚焦在业务创新上，把基础的服务 都放在亚马逊云科技的托管服务上就可以 就比如我们的 WeMol Copilot 就是一个非常好的 一个架构的典范 那我再把时间交还给李总 好 谢谢刘总的介绍 然后接下来是我们 Copilot 基于亚马逊云科技上面 做的另外一个额外的工作就是 我们构建了一套 模型中心和工作流的一个中台 那么我们认为模型永远是智能体 在生命科学当中 应用的一个最底层的一个能力 然后以及结合这些最底层的能力 然后结合专业的一些知识背景 构建一些真正符合药研发的一个工作流 也是我们非常看重的两个方面 那么我会分开再介绍一下 我们模型中心和工作流中台 那么第一块其实 WeMol 上面其实有大量的 整合了也大量的这种开源的这种工具 那么同时我们公司也开发了 面向这种抗体药研发的这种非常多的 从抗体生成到免疫原性 等等一系列的这种工具 那么同时我们也在积极地跟 产业界的一些药企 比如说东阳光药等等 一系列企业 然后构建专有的这种模型 然后放在我们平台 然后赋能整个行业 那么这一页其实是展示我们自研的一些算法 那么我们在一些行业比较薄弱的一些 上面我们会投入大量的这种算法的开发 像现在的这种抗体的从头生成 就是我们传统的这种药物开发的逻辑 其实是最早是抗体药物是从这种 小鼠免疫出来的抗体 或者是骆驼 或者是羊驼等等一系列的动物体内 免疫出来这种抗体分子 然后再进行通过计算或者是设计 然后转变成人源化的抗体的过程 那么未来的一种设想 其实是我直接通过 AI 的方式 生成一种人源的抗体 就不用用动物来源的抗体 因为动物来源的抗体 它可能会有一个非常严重的问题 就是它进入人体之后 它是有非常大的免疫原性的 就相当于是有非常大的副作用 那么可能它不能用于治疗我们的疾病 那么通常情况下 我们在很大量的药物开发失败当中 失败的非常重要的原因 就是我们抗体在开发后期的时候 面临非常大的失败的风险 这个失败风险非常高 就是因为免疫原性的问题 导致我们的药物没有办法进入到1期 2期甚至3期的一个过程 所以我们也开发了 就是完全基于 AI 的免疫原性预测 一种方法 这种方法其实是在国内的大量的 几十家药企当中都在应用的 他们会结合 AI 的方法 加上湿实验的这种方法 综合去验证 然后以通过这种干湿结合的方式 去降低我们未来药物 在人体当中的免疫原性的一个风险 那么同时我们自己也开发了非常多的 像可开发性 就是药物不仅仅 药物的成药性可能会面临 非常多的性质优化过程 它可能有几十项 或者几百项的一些性质的一些优化 所以我们开发了这种 基于 AI 的这种性质评估的一种方法 它涵盖了大概有48项 这种抗体可开发性的一个指标 然后就像给人去做体检的时候 它有一个体检报告一样的 这个分子的一些性质 到底是什么样子 符合我们进一步往临床推的一个 开发的过程 然后同时另外就是一些开发出来抗体 它会面临一些脱靶的一些问题 脱靶就会导致我们面临毒性的问题 它可能作用在不是疾病的靶点上面 它可能作用在了正常细胞 或者是正常组织上面的一些靶点上面 会造成一些细胞损伤 或者是毒性的一个作用 那么通常这些是我们自研的一套 面向我们抗体研发的一些算法 通过我们 Agent 去调用我们自研的算法 因为我们也比较了 我们自己算法和一些开源的 一些算法的一些指标 然后我们发现其实在这些点上 其实在行业竞争也非常激烈 我们在积极地在往这些算法上布局 然后同时可能在算法和模型上面 我们现在已有的非常多的开源的算法 或者模型它都是基于一些公开的数据 那么在生物医药领域里面 它有一个比较大的问题 就是各个研发企业之间的这种数据 它是隔离的 它也不会不能对外共享 那么可能面向企业 它就需要有一套 基于小数据量的一种微调的方式 然后我们也集成了一个 这种模型微调的一种框架 然后去帮助企业快速构建一些 专有的一些小模型 然后帮助他们去解决一些准确度的问题 因为大量的通用模型我们发现 其实在药企的实际应用当中 其实它可能遇到一个准确度的问题 它可能不适合某一类靶点 或者不适合某一类分子的一个设计和改造 然后这个是我们比较有代表性的一个算法 然后是一个面向这种抗体药研发的 一个全原子的抗体从头生成的一个模型 叫 Paradex 然后我们也是今年刚刚才发布 然后这个是左侧从自动化生成流程 从靶点识别到复合物建模到结构生成 到自动化的产生抗体 这个过程就会有一点类似右边的动图 其实我们传统的比如说蓝色的是我们一个 人体内起作用的一个靶点 那么通常情况下 我们的药物是需要结合 这个蓝色结构的靶点 然后去治疗我们身体里的疾病 那么传统的都是通过实验的方式去 筛选出来的 那么我们希望就是未来都是通过我们 AI 的方式去生成 那么我们现在做到了第一个阶段是 我们通过我们的算法去生成抗体能够 在微观上有跟抗原靶标去结合的一个能力 那么我们未来需要的在进一步做就是结合生成模型 然后整合非常多的这种抗体的成药性的模型 然后直接生成一个可用的 成药性比较好的一个分子出来 然后第二块是在产业里面面临非常大的问题 就是抗体免疫原性的问题 那么我们也集中的在面向这种抗体免疫原性预测的时候 我们也积累了非常多的数据 因为我们也跟产业里面专门做湿实验的 那个免疫原性预测公司 免疫原性湿实验验证的公司 做了大量的这种湿实验的一个数据的积累 所以我们在结合公有数据和私有数据上面 我们做了大量的验证 然后这个样本是基于了166种单克隆抗体 是已经上市或在临床当中的一些样本做了一些测试 然后我们的准确度和负样本率都在行业里面是比较领先的 然后第二块是我们构建的一套就是面向这种生物药研发的一个工作流的平台 其实不仅仅是医药行业 就是各个行业都会面临一个模型选择的问题 刚才刘总也提到 就是我们在每一次的 AI 应用当中 我每次通过模型去调用的时候 它每一次都会散乱的调用模型 那么我们希望如果能够把一些之前使用过调用的这些经验 然后积累成一个直接可调用的工具的时候 那就下次它就不需要再重复判断 那么交付给其他人在使用的时候 它就可以直接调用一个工作流去执行我们一个任务 那么这个是我们就设计的一套工作流的平台 然后我们希望就是通过 AI 模型结合专家经验 去沉淀为一个非常好的应用场景 给到我们药物研发人员的其他人去广泛去使用 那么它每一次计算任务 它都可能会非常是一个标准化的一个过程 那么接下来我给大家介绍一下 我们在 Agent 上面一些结果展示 对 我们在前面介绍就是我们在抗体生成的时候 在抗体发现的时候 第一步可能传统的经验都是通过动物来源的一些抗体分子 那么第一步它可能就需要把它改造成一个人源化的一个分子 那么我们传统的就是通过我们鼠标结合我们软件 去直接点击或者是一步一步的操作 那么这个过程可能比较费时 那么我们现在构建了一套 Copilot 之后 可以用户直接输入我们的抗体分子的序列 那么它可以直接在对话过程当中 然后去给予一些提示 然后接下来还会给你一些相关的设计逻辑和方法 然后再给你进行结果 进行总结 当然我们在结果总结的时候也会直接类似一些 Copilot 的能力 让它和用户直接对话 让它帮你去总结一些结果 因为在整个计算的过程当中 它会产生大量的这种结构的数据或者序列的数据 那么可能让科研人员在去一个个分析的时候 它可能也会遇到问题 那么我们就直接在结果端整合了一套智能体的一个对话的方式 直接对结果进行问答 它会直接给你总结出来你实验需要的一些数据 另外就是我们拿到了大量的这种 从0 到 1 拿到一些抗体的时候 我们接下来可能做一些抗体成药性的一些优化 因为抗体成药性其实在早期的时候是非常关键的 包括各种各样的稳定性 亲和力等等 都需要在拿到我的人源化后的抗体的时候 进一步的去做这种各种各样的性质的优化 当然我们研发端的老师 他肯定是希望直接人源化拿到一个非常好的分子 但真实的研发场景当中他不是 他可能你第一步拿到了一个人源化后的分子之后 他还是会有一些成药性的问题 所以我们在这个过程当中 你往往有问题的时候 他不知道什么原因 我们可能再通过对话输入 然后让他帮你去做一些归因的分析 然后基于归因的分析的结果 再去调用模型做计算和结果的展示 那么最后一个案例是我们在 就是从头生成到免疫原性控制的一个案例展示 第一步其实我们通过这种对话的方式 让他帮你去生成抗体的分子 那么在这个生成的过程当中 其实在里面还会有很多参数的选择 因为他会提示你选择用什么方式 是用什么方法来做进一步的生成 对右边就是我们在执行那个过程 然后第二步其实是我们引入了一个 可视化交互的一个过程 就是我们通过各种可视化 这是生成的结果之后 通过可视化的交互 然后让人为的经验引入到这种交互当中 去判断这个结果是否合理 结果是否合理 这一步也非常关键 第三步我们通过这种 调用这种免疫原性预测的这种模型 然后让他去分析我们整个生成的一些结果 是否具有免疫原性或是风险的高低 然后他去再帮你判断 然后第四步 如果遇到分子有一些免疫原性的风险 他会自动的帮你去做免疫原性的一些优化的设计 然后降低我们整个生成分子的一些 免疫原性的风险 这是第四步的一个过程 然后从生成到免疫原性 这完整的执行了我的一个分子 生成的一个过程 然后拿到一个可能免疫原性更低的一个分子 然后进入到下一步的湿实验的验证当中 对 最后第五步其实就是一个结果的汇总 对 其实未来我们希望就是 我们公司的定位 其实更希望还是在底层的一些模型算法上面 做进一步的精进和优化 因为我们认为其实 Agent 不管你怎么调用 他其实在模型选择 在我们生命科学当中很多的模型 他的精度还没有达到这么高的一个要求 所以我们在这个上面会做大量的工作 然后我们第二个工作其实也在同步进行 其实也希望就是借助我们工作流的一个平台 结合专家的一些经验 整合成非常多的一些可复用的这种工作流的一个过程 然后让其他的客户或是同公司内部的人员 快速的去调用 然后确保我们整个结果的一些准确性 然后第三步其实我们现在也在做 A 轮的融资 然后可能接下来我们会打通我们自动化的一个 实验室验证的一个过程 因为现在可以把自动化实验室可以理解为另一个智能体 然后我们现在打造的是一个设计的智能体 然后未来可能就是通过自动化实验室 然后打造一个干湿闭环的一个这样全流程的一个智能体出来 然后最后我介绍一下我们的一个公司的团队 我们公司团队是医药背景出身的 然后合伙人是以前恒瑞医药的计算部门的负责人 另外就是詹姆斯博士 我们之前比较知名的一个公司 像陶氏杜邦产品公司的一些首席科学家 然后也是我们这个领域薛定谔公司的一些主任科学家 然后我们大概2015年成立 然后大概21年的时候 拿到了红杉的天使投资 然后我们在24年基本上整个公司 处于盈利的状态 然后也是希望不仅仅是做 AI 的设计的智能体 希望未来就是通过不断自动化的运作 去构建一套干湿闭环的一个智能体 谢谢大家