AI生物研发进入“操作系统时代”，许锦波团队MoleculeOS正式开放
AI变为研发流程的“组织者”
量子位 | 公众号 QbitAI
AI生物研发，正在迎来它的“
过去，AI是帮科学家做结构预测、抗体设计的“单点工具”；而现在，它正演变为统领全局的“
7月2日，在2026上海国投前沿论坛上，
教授正式面向产业界开放其自研的AI原生生物经济操作系统——
MoleculeOS（MOS）
这不仅是一个系统的发布，更释放出一个明确的信号：
生物领域的研发基础设施，正在被重新定义。
在这里，AI的角色从生物规律的“预测者”，蜕变为
传统的“筛选试错”式的分子发现正步入历史，一个更具确定性的
，正由这款AI原生操作系统正式开启。
https://mos.moleculemind.com/login
从工具智能到系统智能：重构AI制药与生物制造的研发模式
过去几年，AI在蛋白质结构预测、抗体设计、分子生成和功能优化等方向不断突破，证明了算法理解生命科学的巨大潜力。
但在真实产业场景中，模型突破并不等于研发效率跃迁。
一个典型的大分子研发任务，往往涉及靶点分析、序列建模、结构预测、结合界面判断、突变设计、亲和力评估、稳定性评估、可开发性分析和实验验证等众多环节。
过去，这些环节分散在不同工具和团队之间，研发人员需要手动调度流程，结果也难以统一沉淀。
传统“工具栈+人工调度”模式，正成为AI技术向产业价值转化的核心瓶颈。
MoleculeOS是一个
面向生物研发的AI操作系统
它基于分子之心自研的AI模型体系，以项目目标为入口，AI通过自主理解使用者的生物学意图，自动拆解任务、统一调度系列模型、执行结构预测、分子设计等任务，经过多维度科学评估给出决策建议，并沉淀可追踪、可复盘的研发链路。
https://mos.moleculemind.com/login
MoleculeOS的核心变化，是把
研究人员不再只是上传一个序列或结构文件执行单一预测任务，而是直接提出目标：例如提升抗体亲和力、或针对特定靶点生成候选分子。
系统会围绕目标自动拆解任务，在统一的生物物理上下文中调度模型，完成从结构预测到推荐候选分子及下一步决策建议的系统性任务。
这意味着，AI不再只是执行单步计算，而是开始组织完整研发流程。
过去高度依赖个人经验的判断过程，也可以被系统记录为
可追踪、可复盘、可复用的研发资产
对于企业而言，这种变化不仅是效率提升，更意味着研发体系开始具备更强的标准化、协同化和可扩展能力。
更重要的是，MoleculeOS将每一次从研发意图到最终结论的完整链路，自动沉淀为结构化研发资产。
当团队启动下一个项目时，历史项目的计算参数、筛选逻辑和决策依据都可以被调用——
研发不再是从零开始的重复劳动，而是在一套持续积累的体系中加速。
这正是操作系统区别于工具集的根本所在。
自研模型集群构筑底层能力：从理解生命规律到设计功能分子
MoleculeOS的底层能力，来自分子之心在
蛋白质基础大模型、蛋白质结构预测和分子设计
围绕“序列—结构—功能—进化—相互作用—生成设计”，分子之心团队构建了覆盖全流程的自研模型体系，包括：
多模态蛋白质基础大模型NewOrigin（达尔文）
全原子大分子复合物结构预测模型（MMFold）
面向纳米抗体、酶和功能蛋白的生成式设计模型（MMDesign）
在结构预测方向，分子之心自研的全原子大分子结构预测模型MMFold，已在FoldBench基准测试中针对172个抗体–抗原界面实现了
等国际主流模型显著领先。
在分子设计方向，其抗体从头设计平台在12个靶点中，实现了在每个靶点仅测试
的极低通量条件下，靶点
，将AI大分子设计从依赖大规模随机筛选，推向“低通量、高命中率、可编程设计”的新范式。
更重要的是，在MoleculeOS中，这些模型并非孤立工具，而是被统一组织到一个AI原生的操作系统中，实现以最终的研发目标为导向，综合分析序列适应性、结构稳定性、进化保守性、亲和力变化和可开发性等指标，为每个候选分子提供清晰的判断依据。
从技术验证到产业应用：低门槛应用推动规模化价值落地