在2026年6月3日於美國丹佛舉行的計算機視覺與模式識別頂級會議（CVPR）上，一場特邀演講為AI在生命科學領域的應用描繪了激進的未來圖景。前DeepMind蛋白質設計團隊核心成員、2024年諾貝爾化學獎獲獎項目AlphaFold的核心研究員，現Latent Labs創始人兼CEO Simon Kohl，發表了題為“可編程生物學：用於分子設計的生成式AI”的演講，系統闡述了他對藥物發現範式變革的思考與技術實踐。

Kohl在演講中直指當前藥物研發的困境：一種新藥從研發到上市平均耗時超過10年，花費超過20億美元，但高達九成的候選藥物最終在臨床試驗中失敗。他認為，問題的根源在於“我們從錯誤的分子出發”。傳統藥物發現依賴體內免疫法、超大規模庫篩選或B細胞挖掘等方式獲取初始篩選材料，這些方法或不可控、或親和力弱、或難以規模化，導致後續漫長的優化與驗證流程充滿不確定性。

針對這一痛點，Kohl提出了一條從“結構預測”到“條件生成”再到“自主智能體”的技術躍遷路線。他回顧了2020年AlphaFold 2解決蛋白質結構預測問題這一“種子突破”，指出此後短短五六年，計算藥物設計經歷了指數級加速：RFdiffusion、ProteinMPNN等首批蛋白質設計生成模型問世，AlphaFold 3新增蛋白質相互作用建模能力，AlphaProteo和Latent-X1等蛋白質結合物設計模型相繼發佈，抗體設計領域更迎來一系列突破。

Kohl重點展示了Latent Labs的兩代基礎模型。Latent-X1是一款通用蛋白結合物設計模型，它將靶點表示為原子座標點雲，利用去噪擴散模型從高斯噪聲中生成結合物。在納米抗體和迷你結合蛋白的設計中，該模型成功命中所有基準靶標，親和力達到納摩爾甚至皮摩爾級別，在親和力和命中率上均明顯超越同期其他模型。2024年12月發佈的Latent-X2則實現了零樣本設計藥物級抗體的核心突破，可從頭針對從未見過的靶點設計抗體，並在多種抗體格式上保持高親和力。在藥物相似性方面，由Latent-X2設計的分子中有47%的候選物無需迭代優化，就能同時跨過熱穩定性、單體性、產量、多反應性和疏水性等關鍵指標閾值，整體水準已非常接近市面上現有的治療性抗體。

更令人矚目的是環肽設計的對比實驗。在PHD2靶點上，Latent-X2僅用10個設計，其結合力就比萬億級隨機篩選庫的最優結果強兩個數量級；在歷史上被認為“不可成藥”的KRAS靶標上，這10個設計同樣拿到了與萬億級篩選分庭抗禮的結合物。AI計算僅耗時1天，後續實驗室驗證花費4周，而傳統篩選則需要3到6個月。在與外部合作伙伴進行的離子通道抑制項目中，Latent-X2設計的環肽已成功阻斷人類NAV1.7鈉離子通道，成為“用AI計算精度替代傳統蠻力篩選”的經典範例。

在此基礎上，Kohl發佈了全球首個實驗室驗證的抗體設計智能體Latent-Y。該系統僅需一句自然語言提示，即可自主完成從靶點分析到分子設計的全流程，並能並行執行多個步驟。實驗室驗證結果顯示，僅憑“用納米抗體阻斷PRLR受體相互作用”這樣的提示，無需任何迭代，就在實驗室中獲得了非常緊密的結合。在針對20篇發表於《Science》或《Nature》論文的壓力測試中，面對人Transferrin受體1這一血腦屏障靶標的設計任務，智能體產出的40個候選物中有11個在實驗室中成功實現結合。

Kohl在演講最後指出，該領域仍面臨蛋白質動力學等開放性問題，當前模型本質上是靜態建模，而蛋白質在自然界中是動態的柔性物體。但他斷言，生物學終將成為可編程的工程學科。從AlphaFold 2解決“序列到結構”的預測問題，到生成式AI實現“靶點到藥物”的條件設計，再到智能體接管“端到端”的自主設計閉環，計算藥物設計正以指數級速度演進，這或將從根本上重塑新藥研發的成本結構與成功率。