跳转至

MoleculeOS（MOS）——许锦波团队AI原生生物经济操作系统

Ch01.736 MoleculeOS（MOS）——许锦波团队AI原生生物经济操作系统

📊 Level ⭐⭐ | 8.4KB | entities/moleculeos-ai-biology-operating-system-xujinbo-2026.md

MoleculeOS（MOS）——许锦波团队AI原生生物经济操作系统

2026年7月2日，分子之心创始人许锦波教授在2026上海国投前沿论坛上正式开放AI原生生物经济操作系统MoleculeOS（MOS），标志着AI生物研发从"单点工具"进入"操作系统时代"。

核心定位

MoleculeOS将过去分散的AI生物工具（结构预测、抗体设计、分子生成等）整合为一个统一的操作系统级平台，让科学家在同一系统内完成从发现、设计到验证的全流程。这与传统"每个任务一个独立工具"的模式形成对比——过去AI是帮科学家做单点预测的工具，现在它正在演变为统领全局的操作系统。

平台能力

MoleculeOS覆盖了从分子设计、蛋白设计、抗体设计到药物筛选的多个关键环节。平台以"操作系统"的架构理念，将AI能力作为基础设施提供给生物科学家使用，降低AI在生物研发中的应用门槛。

行业意义

该系统的发布释放出一个明确信号：AI生物研发正在进入基础设施化阶段。"操作系统"隐喻暗示着未来生物研发将围绕一个统一的AI平台构建生态，类似于Windows对PC行业的整合作用。

深度分析

从「工具栈+人工调度」到「系统智能」的范式转换

AI生物研发的发展经历了两代范式。第一代是"单点工具"范式：每个AI模型（蛋白质结构预测、分子生成、结合界面评估等）作为独立工具存在，研究人员需要在不同工具之间手动传递数据、协调流程。这形成了典型的「工具栈冲突」——模型越强，衔接成本越高。

MoleculeOS 代表第二代"系统智能"范式：以"研发意图"为入口（例如"提升这个抗体的亲和力"），AI自主理解生物学意图，自动拆解任务、调度系列模型、执行预测与设计、多维度评估并给出决策建议。核心差异在于：第一代用 AI 增强单点环节，第二代用 AI 组织完整流程。这种转换与 Harness Engineering 框架中的"流程编排优于节点优化"理念一致——系统的整体效率瓶颈往往不在单个模型的质量，在于模型之间的衔接与调度效率。

研发意图作为系统入口的设计哲学

MoleculeOS 最具有工程辨识度的设计是将"研发意图"而非"文件/序列"作为系统入口。传统生物信息学工具要求用户上传特定格式的输入文件（PDB 结构文件、FASTA 序列等）并指定要执行的计算任务。MoleculeOS 改变了这一交互范式：用户描述研发目标，系统自主完成目标分解。

这一设计在工程层面解决了两个关键问题：第一，降低了非计算专家的使用门槛——生物学家不需要了解底层模型的调用方式和参数配置；第二，实现了研发决策的可追踪——系统将意图到结论的完整链路自动沉淀为结构化研发资产，历史项目的计算参数、筛选逻辑和决策依据可以被后续项目调用。

自研模型集群的底层能力闭环

MoleculeOS的底层能力来自分子之心构建的完整自研模型体系，覆盖"序列→结构→功能→进化→相互作用→生成设计"全流程：

  • NewOrigin（达尔文）：多模态蛋白质基础大模型，提供通用的蛋白质表征能力
  • MMFold：全原子大分子复合物结构预测模型，在 FoldBench 上针对 172 个抗体-抗原界面实现了 68.6% 预测成功率，显著领先 AlphaFold3 等国际主流模型
  • MMDesign：面向纳米抗体、酶和功能蛋白的生成式设计模型

在抗体从头设计方面，该系统在 12 个靶点中实现每个靶点测试不超过 50 个候选分子的极低通量条件下，靶点成功率超过 90%。这标志着 AI 大分子设计从"大规模随机筛选"推进到了"低通量、高命中率、可编程设计"的新阶段。

知识沉淀与研发资产化

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，解决了生物研发行业长期存在的「经验壁垒」问题。传统模式中，资深科学家的直觉和经验是核心生产力但难以复制和转移；操作系统模式将所有推理路径、决策依据和筛选逻辑数字化、可复现。当团队启动新项目时，历史项目的计算参数和决策依据可以像 API 一样被调用——研发不再是重复劳动，而是在持续积累的体系上加速。

产业落地效率的量化验证

在免疫检查点抗体优化实际案例中，传统流程需要多名研究人员跨工具协作、耗时数周的工作，在 MoleculeOS 中可压缩至数小时。完成计算后，项目结果可一键分享至湿实验团队，包含完整计算链路与可视化分析。从干实验到湿实验的决策链路不再依赖二次转述，显著降低了跨团队沟通的信息损耗。

实践启示

  1. 操作系统隐喻在垂直领域的普适性：当某个行业从"单点工具集合"演进到"研发流程数字化"阶段时，"AI 操作系统"的架构模式——意图入口、自动编排、全链路追踪——具有跨行业的迁移价值。此法不仅适用于生物研发，也适用于材料科学、化工等流程密集型研发领域。

  2. 研发资产化是系统粘性的核心来源：用户迁移成本不是来自工具的功能深度，而是来自历史数据的格式绑定。设计系统时应优先考虑如何将用户的使用行为转化为不可迁移的结构化资产——这是操作系统模式比工具集模式更具粘性的根本原因。

  3. 成败关键在模型质量与控制精度之间：MoleculeOS 能在 12 个靶点达到 >90% 成功率，其基础在于底层单个模型的精度（MMFold 的 68.6% 抗体-抗原界面预测成功率）。操作系统的价值建立在高质量模型底座之上，缺乏基础模型精度的编排平台只是空壳。

  4. 从干实验到湿实验的信息传递精度：生物研发的瓶颈往往不在计算速度，而在计算结论到实验验证的信息传递。系统应内置可视化和一键分享机制，消除计算团队和实验团队之间的"翻译层"。

  5. 许锦波的技术预判价值：许锦波 2016 年以 RaptorX-Contact 率先证明深度学习可显著提升蛋白质结构预测，被业界视为 AlphaFold 的方法学开创者。这一历史验证了他的技术路线判断力，MoleculeOS 的架构选择应给予更高的可信权重。

相关实体

→ 原文存档