从零搭建一人AI药企!!一台电脑,搞定全流程!!

一个不可思议的比喻

传统药物研发的链路，大概是这样的：

靶点确认 → 苗头化合物筛选 → 先导化合物优化 → 临床前研究 → 临床试验 → 上市

每一步都需要大量人力、时间、资金。光是从靶点到一个有苗头的分子，往往就要消耗2-3年、上千万美元。

但如果我们聚焦到其中一个子问题——蛋白质/抗体的从头设计与早期验证——链路可以被压缩成这样：

【靶点结构（PDB文件）】        ↓【AI计算设计层（Modal云GPU）】  de novo结构生成 → 序列优化 → 计算打分筛选        ↓【自动化湿实验层（Adaptyv Bio API）】  蛋白质合成 → 表达检测 → 结合亲和力测定（BLI/SPR）        ↓【结果反馈】  Kd、kon、koff数据 → 指导下一轮设计迭代

每一层都已经有现成的基础设施可以调用。而且，它们之间可以用代码打通。

import modalapp = modal.App()@app.function(gpu="A100", timeout=3600)def run_protein_design(pdb_path: str):    # 这个函数跑在A100 GPU上    ...

# 对设计好的结构跑50000步MD模拟验证稳定性uvx modal run modal_md_protein_ligand.py \  --pdb-id out/bindcraft/design_001.pdb \  --num-steps 50000

# 1. 下载靶点结构wget https://files.rcsb.org/download/5JDS.pdb# 2. BindCraft从头设计（在A100上跑约1小时，约$3）GPU=A100 uvx modal run modal_bindcraft.py \  --input-pdb 5JDS.pdb \  --number-of-final-designs 5# 3. 用Chai-1做复合物结构预测打分uvx modal run modal_chai1.py \  --input-faa designs_complex.faa# 4. 用AF2Rank计算ipSAE得分uvx modal run modal_af2rank.py \  --input-pdb out/bindcraft/design_001.pdb# 5. 筛选top候选序列python filter_designs.py \  --min-iptm 0.7 \  --max-ipae 10 \  --output candidates.fasta

Targets    → 浏览可用靶点目录（EGFR、HER2、PD-L1、IL-7Rα等）Sequences  → 提交待测序列Experiments → 创建并管理实验Status     → 追踪实验进度（webhook通知）Results    → 获取实验结果数据

{  "sequence_name": "VHH-01",  "target_name": "HER2 / ERBB2",  "kd": 8.1e-10,  "kd_units": "M",  "kon": 2400000,  "koff": 0.0019,  "binding_strength": "strong",  "r_squared": 0.999}

Assay费用：$99/条序列材料费：约$17.49/条序列5条序列一批：约$582周转时间：21天。

pip install adaptyv-sdk

from adaptyv_sdk import AdaptyvClientimport osclient = AdaptyvClient(api_key=os.environ["ADAPTYVBIO_API_TOKEN"])# 查看可用靶点targets = client.targets.list(search="EGFR", selfservice_only=True)target_id = targets[0].id# 提交序列做结合assayexperiment = client.experiments.create(    assay_type="binding",    target_id=target_id,    sequences=[        {"name": "design_001", "sequence": "QVQLVESGG..."},        {"name": "design_002", "sequence": "EVQLVESGG..."},        {"name": "design_003", "sequence": "QVTLVESGG..."},    ])print(f"实验编号：{experiment.experiment_code}")print(f"预计费用：${experiment.total_cost_usd:.2f}")print(f"预计完成时间：{experiment.estimated_completion_date}")

results = client.results.list(experiment_id=experiment.id)for r in results:    print(f"{r.sequence_name}: Kd = {r.kd:.2e} M ({r.binding_strength})")

import modalfrom adaptyv_sdk import AdaptyvClientimport time# ---- 配置 ----TARGET_PDB = "5JDS.pdb"          # PD-L1结构TARGET_ID = "comp-pdl1-human"    # Adaptyv靶点IDDESIGNS_PER_ROUND = 5            # 每轮设计候选数MAX_ROUNDS = 3                   # 最大迭代轮次KD_THRESHOLD = 1e-8              # 目标亲和力（10 nM）client = AdaptyvClient(api_key=os.environ["ADAPTYVBIO_API_TOKEN"])def run_design_round(pdb_path: str, round_num: int) -> list[dict]:    """在Modal上跑BindCraft，返回候选序列列表"""    # 调用biomodals的BindCraft    result = modal.runner.run_sync(        "modal_bindcraft",        input_pdb=pdb_path,        number_of_final_designs=DESIGNS_PER_ROUND,        round_tag=f"round_{round_num}"    )    return result["sequences"]def submit_to_adaptyv(sequences: list[dict]) -> str:    """向Adaptyv提交湿实验"""    experiment = client.experiments.create(        assay_type="binding",        target_id=TARGET_ID,        sequences=sequences    )    print(f"[Round] 实验 {experiment.experiment_code} 已提交，预计费用 ${experiment.total_cost_usd:.0f}")    return experiment.iddef wait_for_results(experiment_id: str, poll_interval: int = 3600) -> list:    """轮询等待结果（每小时检查一次）"""    while True:        status = client.experiments.get(experiment_id).status        if status == "completed":            return client.results.list(experiment_id=experiment_id)        print(f"实验进行中，状态：{status}，1小时后再查...")        time.sleep(poll_interval)# ---- 主循环 ----best_kd = float("inf")best_sequence = Nonefor round_num in range(1, MAX_ROUNDS + 1):    print(f"\n===== 第 {round_num} 轮设计 =====")    # 干端：生成候选序列    candidates = run_design_round(TARGET_PDB, round_num)    # 湿端：提交实验    exp_id = submit_to_adaptyv(candidates)    # 等待21天后取结果（生产环境用webhook替代轮询）    results = wait_for_results(exp_id)    # 分析结果    hits = [r for r in results if r.kd and r.kd < KD_THRESHOLD]    print(f"命中（Kd < {KD_THRESHOLD:.0e} M）：{len(hits)}/{len(results)} 条")    if hits:        best_hit = min(hits, key=lambda r: r.kd)        print(f"最优序列：{best_hit.sequence_name}，Kd = {best_hit.kd:.2e} M")        if best_hit.kd < best_kd:            best_kd = best_hit.kd            best_sequence = best_hit.sequence    if best_kd < KD_THRESHOLD:        print(f"\n目标达成！最优Kd = {best_kd:.2e} M")        breakprint(f"\n最终候选序列：\n{best_sequence}")

# 安装uv（Python包管理器）curl -LsSf https://astral.sh/uv/install.sh | sh# 注册Modal账号，获得$30免费额度# https://modal.com → 注册 → 获取tokenpython -m modal setup# 安装Adaptyv SDKpip install adaptyv-sdk

git clone https://github.com/hgbrian/biomodalscd biomodals

# 下载一个经典抗原wget https://files.rcsb.org/download/1YWI.pdb# 用AF2Rank打分uvx modal run modal_af2rank.py --input-pdb 1YWI.pdb --run-name test

# 下载PD-L1结构（只保留A链）wget https://files.rcsb.org/download/5JDS.pdbgrep "^ATOM.*\ A\ " 5JDS.pdb > 5JDS_chainA.pdb# 跑BindCraftGPU=A100 uvx modal run modal_bindcraft.py \  --input-pdb 5JDS_chainA.pdb \  --number-of-final-designs 3