AI生物计算|微元合成完成3亿元A+轮融资

近日，微元合成宣布完成3亿元A+轮融资，河南投资集团汇融基金和谭瑞清参与本轮融资。此前，河南投资集团已经完成AI基础设施产业的深度布局，从投资芯片到控股超大规模算力，再到全面整合HALO资产（Heavy Assets,Low Obsolescence），为AI在各场景应用的落地提供充足的电力+算力支持。

谭瑞清先生为复旦大学校董、校友会副会长，复旦大学化学系校友会会长，化工行业A股知名上市公司龙佰集团联合创始人、前任副董事长，河南银泰投资有限公司、河南银科国际化工董事长，深耕化工行业三十余年，系该领域知名化工专家、企业家及投资家。本轮融资将助力微元合成持续拓宽AI生物计算的应用边界，加大核心技术研发投入与场景化落地，进一步强化公司在AI赋能生物制造领域的技术领先优势与行业领导地位。

2026年1月，微元合成（MicroCyto）联合斯坦福大学、普林斯顿大学、北京大学、字节跳动等全球知名科研机构，在人工智能顶级学术会议ICLR 2026上发表了最新成果PoseX，并受邀将在ICLR2026就PoseX做专题学术报告，这是一个面向全球科学家的开放式协作平台，旨在解决真实场景下的分子对接难题，对不同对接算法和模型给出最公平和最真实的能力评估，为生物制造、生物基材料及工业酶设计提供最坚实的数字化底座。

在生命科学进入“按需设计”的合成生物学时代，如何精准地预测一个分子（配体）与蛋白质（受体）的结合模式，就像是在微观世界里寻找一把开启生命工厂大门的“钥匙”。这一过程被称为“分子对接”（Protein-Ligand Docking）。

过去，这项工作主要依靠科学家的经验或计算成本高昂的物理计算模拟。然而，生命系统的复杂性往往超出预期：蛋白质不是静止的锁，而是不断变换形状的“果冻”。如何在蛋白质结构动态变化的情况下，依然精准地预测分子和蛋白的结合模式？这是生物医药研发和工业酶工程中公认的“深水区”挑战。

PoseX的发布将加速突破传统分子对接方法在动态蛋白场景下的局限，以AI驱动的精准预测能力攻克这一长期困扰行业的核心难题，让按需设计分子与蛋白结合成为现实，为合成生物学、新药研发与酶工程带来底层技术革新。

平台地址：

http://dock-lab.tech/

在分子对接领域，存在两种场景：

1.self-docking：把共晶结构中的配体拿出来，再塞回它原本那个完美适配的口袋。这就像拿着拼图最后一块去填空，只要形状对了一切都好说。

2.cross-docking：手里只有蛋白和配体A共结晶时的构象，要把配体B塞进去；侧链要转动，骨架要呼吸，口袋形状可能完全重塑——这才是酶设计和药物研发的真实战场。

长期以来，工业界缺乏一个统一的、高质量的基准来评估各类算法在“跨构象”场景下的表现。许多在实验环境下表现优异的算法，一到真实场景就纷纷折戟。PoseX的出现，正是为了定义“实战标准”，研究中不仅构建了专门针对Cross-Docking的高难度数据集，还一口气对24种主流方法（从老牌Glide、Autodock Vina到当红炸子鸡AlphaFold3，Boltz，Chai）进行了残酷的"大逃杀"。

为什么Cross-Docking如此困难？原文Figure S12给出了一个生动案例：当配体YI8从其共晶结构8V6Y转移到蛋白8V71时，发生严重的空间冲突——配体原本完美适配的位置，在新蛋白构象中被侧链"堵死"了。所有物理方法在此case上全军覆没（RMSD≥2Å），而SurfDock和AlphaFold3成功预测了正确pose。

我们在PoseX平台上集成了24种代表性算法，涵盖了三大流派：

物理方法：如行业标杆Schrödinger Glide，MOE，Discovery Studio等。

AI对接方法：如基于深度学习的DiffDock，SurfDock等。

AI共折叠方法：如震惊业界的AlphaFold3和RoseTTAFold-All-Atom，Boltz，Chai等。

在PoseX的严苛测试下，我们得出了具有里程碑意义的结论：顶尖的AI对接方法（如SurfDock）和共折叠方法（如AlphaFold3），在处理最具挑战性的跨构象对接任务时，其准确率和稳健性已全面超越了统治行业数十年的物理模型。这一发现为工业界全面转向“AI原生”的研发流程提供了强有力的理论依据。

3.1 总体排名：谁是Cross-Docking之王？

三个关键结果：

AI全面领先：Top 9方法中，5个是AI Docking，4个是AI Co-folding。

SurfDock一骑绝尘：比第二名Uni-Mol高出近8个百分点，且运行速度极快（10.8秒/样本）。

物理方法明显落后：最好的GNINA也只有54%左右，与AI顶尖方法差距约20个百分点。

3.2 深度挖掘：AI是真懂结合，还是在"背题"？

为了进一步分析AI模型的泛化能力，研究中还分析了评测数据与训练数据之间的口袋相似性对于各个模型的影响。无论口袋怎样，基于物理的方法总能保持着比较稳定的预测结果（这是物理方法的独特优势！）。而大部分AI的方法，如：DiffDock、AlphaFold3等在全新口袋上表现断崖式下跌。值得注意的是SurfDock在AI方法中展现出最好的泛化性，即使是在未知口袋场景中，预测结果也要优于基于物理的对接方法。

PoseX-SD上按照pocket相似度排序的评测结果

PoseX-CD上按照pocket相似度排序的评测结果

指定口袋指定口袋/不指定口袋信息在PoseX-CD的对接评测结果

指定口袋/不指定口袋信息在PoseX-CD的对接评测结果

本次PoseX的发布，是微元合成生物计算团队与全球顶尖学术力量深度协同的成果。文章被ICLR 2026接收，不仅是对微元合成AI模型和算法能力的认可，更是对我们“用AI重新定义生物制造”愿景的肯定。

未来，微元合成将继续秉持开放合作的精神，通过PoseX等一系列数字化平台，与全球合作伙伴共同探索生命科学的无尽前沿，用更绿色、更智能的方式，为人类创造更美好的物质生活。