OpenAI押注抗体AI:融资3600万美元,计划2027年进入人体临床

OpenAI在生命科学领域的布局，正从大模型研发延伸至生物医药实体企业。

据《华尔街日报》9月28日报道，OpenAI投资的生物技术公司Red Queen Bio累计融资3600万美元，计划于2027年推动针对禽流感及其他流感病毒的抗体候选药物进入人体临床试验。此前，OpenAI已于2025年11月领投其1500万美元种子轮融资。

Red Queen Bio脱胎于mRNA生物技术公司HelixNano，核心业务是利用AI开发针对新兴生物威胁的医疗对策。相比传统AI制药企业，其研发重点不仅是已知病原体，还包括提前设计能够应对未来潜在病毒变异的广谱抗体。

AI设计抗体，提前应对潜在病毒威胁

Red Queen Bio的技术思路是将前沿大模型、抗体工程与湿实验验证结合，通过计算预测、候选分子设计和实验筛选，寻找具有广谱保护潜力的抗体。

对于流感病毒而言，持续发生的抗原变异可能降低既有抗体的识别能力。广谱抗体研发则尝试识别不同病毒株之间相对保守的抗原区域，在病毒发生变异后仍保持一定的结合及中和能力。

与依赖主动免疫的疫苗不同，抗体药物能够直接提供被动免疫保护，但保护持续时间取决于抗体半衰期等因素。Red Queen Bio希望将部分候选药物纳入美国及欧洲政府的医疗对策储备体系，为新发传染病提供快速干预手段。

不过，AI预测的抗体并不等于可用药物。候选分子仍需经过结合活性、中和效力、特异性、稳定性及安全性等系统验证，最终通过人体临床试验确认其应用价值。

从蛋白质设计到实验优化，OpenAI持续加码生命科学

OpenAI在生物医药领域的投入，已逐步形成模型研发、产业合作和股权投资三条业务线。

在模型层面，OpenAI与Retro Biosciences合作开发GPT-4b micro，重新设计细胞重编程关键蛋白SOX2和KLF4。实验显示，优化后的蛋白组合使干细胞重编程标志物表达较天然对照提高超过50倍。

2026年，OpenAI进一步推出生命科学专用模型GPT-Rosalind，并通过Codex连接50余种科研工具及数据源，覆盖蛋白质分析、基因组学、药物化学和实验方案设计等场景。

值得关注的是，OpenAI与Red Queen Bio此前已经开展过湿实验合作。研究人员利用GPT-5优化分子克隆流程，在多轮实验反馈后，最终获得的序列验证克隆数量达到基线方法的79倍。这一结果表明，大模型不仅能够设计分子，也开始参与具体实验流程的优化。

产业合作方面，OpenAI已与赛诺菲、Formation Bio等企业推进AI赋能药物研发及临床开发。投资端则布局抗体设计企业Chai Discovery及生物安全公司Valthos，逐步延伸至实际药物研发和生物安全应用。

Anthropic、Google、字节跳动相继进入湿实验领域

OpenAI并非唯一加码生命科学的大模型公司。

9月23日，Anthropic宣布建立生命科学研究团队及湿实验室。在一项研究中，约950个Claude智能体历时21小时，分析超过20万种逆转录酶相关序列，最终识别出一种此前尚未被充分表征的酶系统ART，随后由研究人员开展实验验证。

在蛋白质设计研究中，Claude针对15个靶点开展设计，其中14个获得有效结合蛋白，整体实验命中率达到22.6%~26.7%。不过，获得结合蛋白并不意味着已经得到具备治疗价值的药物。

Google DeepMind同样将计算模型与湿实验结合。其AlphaProteo系统能够设计新型蛋白结合物，部分候选分子已在细胞实验中表现出阻断SARS-CoV-2进入细胞的能力。

国内方面，字节跳动拆分的AI制药企业Anew Labs于9月完成2.9亿美元融资，投后估值约15亿美元，字节仍持有56%股份。该公司围绕生物分子结构预测、抗体设计及药物发现建立技术平台。

AI制药的竞争，正在转向实验数据闭环

这些企业的共同变化，是不再满足于提供预测模型，而是尝试将AI直接接入生物实验体系。

传统药物研发数据分散在论文、专利、电子实验记录和临床数据库中，不同实验室的样本处理、检测条件和结果记录标准存在明显差异。公开数据库还存在成功结果偏多、阴性结果不足的问题，限制了模型对真实生物学规律的学习。

对于抗体研发而言，结合失败、非特异性结合、表达量不足、稳定性不佳等实验结果，同样具有训练价值。只有将这些数据连同实验条件、试剂批次和检测方法完整记录，模型才能进一步识别失败原因，优化下一轮设计。

因此，湿实验对于AI制药已不再只是验证工具，也是持续生产高质量训练数据的重要环节。模型提出候选方案，实验提供真实反馈，再根据结果调整设计，逐步形成可迭代的研发体系。

Red Queen Bio此次推进抗体临床开发，也是这一技术路径向实际药物研发延伸的案例。但实验效率的提高并不能替代临床验证，AI设计药物最终仍需接受与传统药物相同的有效性和安全性评价。

对于下一阶段的BioAI企业，核心竞争力将不只取决于模型规模和分子生成数量，更取决于能否建立标准化实验体系，持续获得高质量数据，并将实验结果用于下一轮模型优化。