早前莫德纳与默沙东联合宣布，由AI参与研发的个性化mRNA癌症疫苗，在素有“皮肤癌之王”一称的黑色素瘤治疗中取得积极结果。

从2023年开始，他们就在持续推进自然语言与生物语言的连接，并将相关能力带入对话式药物研发平台 ChatDD 。

同时它亲自推进面向自身免疫疾病和肿瘤的 创新药管线 ，把平台用进自己的研发决策、分子设计和项目运营。

当生物制药遇上AI，自然语言交互让专家的经验与判断，同大模型的高效知识推理和全原子端到端分子设计能力更紧密地结合。

创新药进入人体后如何分布、能否达到预期效果、有没有不可接受的副作用，以及哪部分患者可能获益……诸如此类的问题，都需要人为建立起完整的证据链。

模型可以预测结构、生成分子，再给候选结果排出名次，但研究者未必能充分理解排序依据，也很难把自己的顾虑反馈给模型。计算结果可以交给实验验证，专家与算法之间，却缺少持续协作的通道。

TMDD （traditional methods of drug design）很好理解，它代表最早期依赖实验积累与专家判断的药物研发过程。

随后计算机开始参与辅助，承担起部分计算和模拟工作，也就是 CADD （computer-aided drug design）。

再往后， AIDD （AI-aided drug design）开始将AI用于性质预测、分子生成等任务。但是专家的经验和直觉很难和小模型时代的AI模型有效交互和有机融合。

至于 ChatDD （Chat-based drug design）试图推进的，是让专家能够通过自然语言对话参与任务规划、执行与结果修正。

从而将药物研发专家的经验与直觉，同AI智能体在高通量文献阅读、高效计算与推理、高质量分子设计与筛选方面的能力有机结合，形成优势互补的人机协同研发模式。

专家提出问题和任务目标，大模型进行拆解并调用工具，再把结果交回专家。多轮交互下来，专家经验得以高效参与AI制药的每一步。

在机器还没能掌握足够完整信息的当下，这至关重要。 对话式交互 恰恰让专家与AI的联结第一次成为可能。

ChatDD是水木分子在2023年提出的，现如今，海外的GPT-Rosalind和Claude Science也都开始探索与之相近的交互方向。

有的已经写进了论文和数据库，AI即拿即用；有的体现在专家对当前项目的判断里，需要日常交互来承接；还有的可以沉淀为可复用的工作流。

让论文知识参与下一次设计 举个简单例子，假设研究者希望通过突变优化某种抗体，专家说出的是功能目标，模型最终要处理的却是氨基酸序列和空间结构。

水木分子于2023年和清华AIR联合推进的 BioMedGPT ，首先探索自然语言与分子、蛋白质等生物数据的对齐。

其中的BioMedGPT-10B，也是全球 首个 开源可商用的百亿参数多模态生物医药大模型，在基准测试上位列 行业第一梯队 。

这项入选NeurIPS 2024的研究，将突变影响的文字描述与蛋白质突变对应起来，既探索解释一次突变可能带来什么变化，也探索根据研究者描述的目标提出候选突变。

简而言之，前者是理解 “改了这个位置，可能发生什么” ，后者是追问 “希望发生这样的变化，可以考虑改哪里” 。

突变优化还需要考虑结构这一关，近期公开的 StructEvo 把结构信息引入蛋白质突变优化，让候选搜索考虑空间约束。

以上种种的背后均出自水木分子一个明确的技术判断：蛋白质设计长期存在 「顾此失彼」 的矛盾。

改动几个氨基酸，可能增强结合能力，却干扰蛋白质的正确折叠；增加结构刚性，可能提高稳定性，又会牺牲掉功能适配性。

所以围绕具体设计任务，团队分别发展了相应模型，比如被ICML 2026接收的 CodeFP ，就在专门关注功能性蛋白质的序列与结构协同设计。

于是从文献里提取知识，到把功能目标转成模型分析与设计的依据，专家多年积累的研究成果，由此有了参与下一次研发的入口。

随之沉淀下来的 AgentKG知识图谱 则用于组织领域知识及其关联，让每一个回答都可追溯、有出处。

专家通过提示词补充目标、约束、经验知识和疑问，智能体据此规划任务、调用工具，再把结果交还回来。

收到结果后，专家继续追问或调整条件，下一轮任务也随之改变。接着依靠一轮轮具体的交流， 经验开始深度参与计算过程 。

所以模型训练吸收的是经过整理的知识与数据，对话补充的是当前任务的 上下文， 从而影响方向： 专家在用上AI的同时，AI也在用专家的判断组织工作 。

接着，一个更为实际的问题来了：专家已经带着AI跑完一遍，下次再遇到类似任务，还要从头开始吗？

因为专家经验同样也体现在研究方法中，比如先核对什么证据，什么时候补做分析，筛选条件怎样设，哪些步骤必须由人复核。

今年刚刚发布的首批OpenBioMed 技能包就已经囊括 45项 专业技能，覆盖生物化学/药物研发、蛋白质分析与设计、单细胞组学分析、数据检索、工具调用五大类。

研究者通过对话说明任务意图、输入输出和约束，系统辅助组织流程，再用实际数据验证、修改，形成适用于相应任务的技能。

从论文沉淀知识、提示词表达当前目标，再到经过检验的技能包，三者彼此之间作用不同但相互补充，共同推动专家一步步参与AI科学家的工作。

这分别对应两种产品模式，前者是自上而下，企业采购再推动员工使用，后者是由下往上，更适用于科研人员和小团队。

先说ChatDD，水木分子CEO王卓智是这样形容它的三个主要模块，包括 Insight、Discovery和Trial 。

Insight 首先帮助专家回答立项前的问题：一个靶点是否值得做？做出的药能治疗哪些病人？

这需要同时理解疾病机制、临床未满足需求、已有研究证据、竞争项目和专利情况，ChatDD会将相关工作拆分给多个专业智能体，收集和整理信息，辅助专家形成判断。

专家提出设计目标，平台组织计算与候选筛选，结果再进入研究者的判断和实验安排。这也是王卓智博士认为正在出现革命性变化的地方。

过去，生命科学家往往需要学习编程，或者与计算团队反复沟通，才能完成这些操作，现在每个人都可以拥有 一个真正懂药的AI科学家团队 ，沟通成本降低了，创新药研发效率就可以大幅提升。