在2026年6月3日于美国丹佛举行的计算机视觉与模式识别顶级会议（CVPR）上，一场特邀演讲为AI在生命科学领域的应用描绘了激进的未来图景。前DeepMind蛋白质设计团队核心成员、2024年诺贝尔化学奖获奖项目AlphaFold的核心研究员，现Latent Labs创始人兼CEO Simon Kohl，发表了题为“可编程生物学：用于分子设计的生成式AI”的演讲，系统阐述了他对药物发现范式变革的思考与技术实践。

Kohl在演讲中直指当前药物研发的困境：一种新药从研发到上市平均耗时超过10年，花费超过20亿美元，但高达九成的候选药物最终在临床试验中失败。他认为，问题的根源在于“我们从错误的分子出发”。传统药物发现依赖体内免疫法、超大规模库筛选或B细胞挖掘等方式获取初始筛选材料，这些方法或不可控、或亲和力弱、或难以规模化，导致后续漫长的优化与验证流程充满不确定性。

针对这一痛点，Kohl提出了一条从“结构预测”到“条件生成”再到“自主智能体”的技术跃迁路线。他回顾了2020年AlphaFold 2解决蛋白质结构预测问题这一“种子突破”，指出此后短短五六年，计算药物设计经历了指数级加速：RFdiffusion、ProteinMPNN等首批蛋白质设计生成模型问世，AlphaFold 3新增蛋白质相互作用建模能力，AlphaProteo和Latent-X1等蛋白质结合物设计模型相继发布，抗体设计领域更迎来一系列突破。

Kohl重点展示了Latent Labs的两代基础模型。Latent-X1是一款通用蛋白结合物设计模型，它将靶点表示为原子坐标点云，利用去噪扩散模型从高斯噪声中生成结合物。在纳米抗体和迷你结合蛋白的设计中，该模型成功命中所有基准靶标，亲和力达到纳摩尔甚至皮摩尔级别，在亲和力和命中率上均明显超越同期其他模型。2024年12月发布的Latent-X2则实现了零样本设计药物级抗体的核心突破，可从头针对从未见过的靶点设计抗体，并在多种抗体格式上保持高亲和力。在药物相似性方面，由Latent-X2设计的分子中有47%的候选物无需迭代优化，就能同时跨过热稳定性、单体性、产量、多反应性和疏水性等关键指标阈值，整体水准已非常接近市面上现有的治疗性抗体。

更令人瞩目的是环肽设计的对比实验。在PHD2靶点上，Latent-X2仅用10个设计，其结合力就比万亿级随机筛选库的最优结果强两个数量级；在历史上被认为“不可成药”的KRAS靶标上，这10个设计同样拿到了与万亿级筛选分庭抗礼的结合物。AI计算仅耗时1天，后续实验室验证花费4周，而传统筛选则需要3到6个月。在与外部合作伙伴进行的离子通道抑制项目中，Latent-X2设计的环肽已成功阻断人类NAV1.7钠离子通道，成为“用AI计算精度替代传统蛮力筛选”的经典范例。

在此基础上，Kohl发布了全球首个实验室验证的抗体设计智能体Latent-Y。该系统仅需一句自然语言提示，即可自主完成从靶点分析到分子设计的全流程，并能并行执行多个步骤。实验室验证结果显示，仅凭“用纳米抗体阻断PRLR受体相互作用”这样的提示，无需任何迭代，就在实验室中获得了非常紧密的结合。在针对20篇发表于《Science》或《Nature》论文的压力测试中，面对人Transferrin受体1这一血脑屏障靶标的设计任务，智能体产出的40个候选物中有11个在实验室中成功实现结合。

Kohl在演讲最后指出，该领域仍面临蛋白质动力学等开放性问题，当前模型本质上是静态建模，而蛋白质在自然界中是动态的柔性物体。但他断言，生物学终将成为可编程的工程学科。从AlphaFold 2解决“序列到结构”的预测问题，到生成式AI实现“靶点到药物”的条件设计，再到智能体接管“端到端”的自主设计闭环，计算药物设计正以指数级速度演进，这或将从根本上重塑新药研发的成本结构与成功率。