贾寅君的人生里，有过几次看起来跨度很大的转向。
最早，他进入协和八年制临床医学，希望成为一名医生。真正到了医院，尤其是接触到大量重症、疑难和罕见病患者后，他开始反复想一个问题：一个再优秀的医生，一生究竟能够治好多少人？三年后，他离开临床，回到清华做生命科学和神经科学研究，希望换一种方式解决疾病。
2020 年，AlphaFold2 发布。贾寅君开始意识到，AI 或许能够成为一种无限放大每个人微薄力量的工具。对他来说，这也让最初那个关于疾病的问题有了另一种解法：能不能借助 AI，把对疾病的理解更快地转化成真正的药物分子？
此后，他逐渐转向 AI for Science 和 AI 药物发现，先后主导或参与了 DrugCLIP、CPSea、MEET、PepMirror 等研究，在小分子和多肽两条路线上持续探索。最终，他把创业的方向押注在了多肽上。“如果让我只能选择一种药物模态、用一个 AI 模型去尽可能覆盖更多疾病靶点，我认为多肽是离这个目标最近的。”
不久前，贾寅君创办利太智药，希望把过去几年围绕合成数据、多肽生成模型和实验验证积累下来的方法，放到真实的药物研发场景中进一步验证和落地。目前团队已在肿瘤、自免、代谢领域推进一些药物设计项目，公司也正在融资过程中。
临床经历也一直影响着他今天做药的方式。直到现在，他仍然会从患者端反过来思考问题：一个分子到了人体里究竟要解决什么，模型给出的结果能不能经得起真实实验验证。相比单纯追求计算指标，他更关心 AI 最后能不能真正做出有效的药物分子。
更有意思的是，在真正开始做 AI 药物发现很多年前，他已经在想象一个由人工智能深度参与的未来。高中时，他写下科幻小说《人芯》，里面出现了超级人工智能、脑连接组和意识数字化。十年过去，他从临床医学走到生命科学，再走到 AIDD 和创业，路径几经变化，但最初想解决的问题似乎没有变太多：怎样借助技术，让更多疾病有药可治，让人活得更健康、更久一点。
这次对话，我们从他高中时期写下的科幻故事谈起，聊到离开临床、AlphaFold2 带来的转折，也聊到为什么最终选择多肽，以及一家刚刚成立的 AI 制药公司，准备怎样把模型变成真正的药物。
从写科幻到做药，想解决的问题一直没有变
DeepTech：你高中时就写了科幻小说《人芯》，里面已经出现了超级人工智能、脑连接组、意识数字化等今天看起来非常现实的概念。当时为什么会写这样一个故事？那时候你对 AI、生命和大脑的兴趣是从哪里来的？
贾寅君：2016 年，AI 已经非常火热。那几年最重要的事件之一就是 AlphaGo，紧接着又有 AlphaZero。很多人都在讨论，也许十年以后，AI 会发展到一个令人惊讶的节点。到了 2026 年，大模型确实获得了前所未有的能力，某种程度上也符合当年的预期。
当时还有一部很火的科幻剧《疑犯追踪》，一直在讨论一个问题：如果人工智能取得巨大突破，它是否会尊重人类社会的规则？究竟会不会站在人类这一边？剧里既有站在人类一边的人工智能，也有走向暴力和专制的人工智能，引发了很多讨论。这也是我后来一直对人工智能保持兴趣的一个重要契机。
DeepTech：既然高中时已经对 AI 有这么强的兴趣，为什么大学没有直接选择计算机，而是选择了医学？
贾寅君：当时我还有另外一层想法。如果 AI 的能力有一天超越人类，人类怎么办？现在已经隐约能看到这种趋势，比如很多大模型在 Coding 上的能力和效率已经超过了普通人的水平。
那时候我就在想，如果这样的未来真的降临，人类还能靠什么和 AI 平起平坐？一种可能是，我们自己的意识有一天也能够变成一段编码、一段数字，同样依靠硅基计算实现扩张，从而获得和 AI 相当、甚至超越它的能力。
相比单纯研究 AI，人的神经系统和神经科学对当时的我更有吸引力，也更具有未来感。所以我后来选择了生物医药相关方向，并在很长一段时间里研究神经生物学。
DeepTech：你写的《人芯》和《花海》虽然隔了很多年，但最后都回到了一个问题：人应该怎么选择？听说你曾经也有过一段比较迷茫探索的时期？
贾寅君：我觉得自己最没有方向感的一段时间，应该是在离开协和之后。
当时我对医学道路原本的期待，是科研和临床能够各占一部分。但后来逐渐意识到，在现实的临床压力下，这样的状态并不容易实现。相比临床，我自己还是更偏爱基础研究，更喜欢 Science 一些，所以最后选择离开协和。
但我没有放弃延长人类寿命、解决一些疾病的愿望，只是当时还不知道该通过什么研究去实现。博士早期，我甚至做过蜘蛛行为、生态和进化生物学等比较发散的研究。现在回头看，这些算是探索时期的一些小插曲。
DeepTech：从产生离开协和的想法，到真正做出决定，大概经历了多长时间？
贾寅君：其实做决定还是比较快的。协和八年制前两年半主要在清华学习，之后开始到协和医院感受更多临床氛围。真正到了协和以后，我受到的触动很大。
协和汇集了很多疑难和罕见疾病，但其中相当一部分即使面对最优秀的医生，临床上能做的事情依然有限。那时候我开始思考，一个再优秀的医生，每天管床，最终能够真正治好多少人？我更希望通过药物和基础研究，去解决更多目前还没有办法解决的疾病。
所以我很快做了选择，回到清华做基础医学研究。
有一个很火热的概念叫“寿命逃逸”，大意是借助不断进步的医学技术延长寿命，让人活到下一轮技术突破出现，我某种程度上认同这种想法。后来无论做生物研究还是做药，都和这个初衷有关。
DeepTech：这些临床和基础医学经历，对你今天做药还有影响吗？
贾寅君：有。其实本科阶段我就已经接触过不少基础医学研究，我曾经到杜克大学医学院、多伦多大学医学院等地方做过一段时间的访问，后续在协和的经历更加深了我对医学的认知与敬畏。
这些经历让我对可能转化成疾病治疗手段的基础医学研究产生了很强的兴趣。我在医院结识的一些医生朋友也会和我讨论真实的临床需求，对我们的药物设想提出一些意见。这些经历让我逐渐习惯从临床角度思考，一个药到了患者身上，真正需要解决什么。
DeepTech：博士毕业后，其实你完全可以沿着神经科学继续做下去，走一条比较自然的学术道路。但你后来进入清华 AIR 做博士后，开始转向 AI for Science 和 AIDD。当时是怎么考虑的？
贾寅君：2020 年 AlphaFold2 发布时，我意识到生物医药领域可能进入了一个新时代，AI 能够放大每个人的力量。从预测蛋白质结构开始，它让我看到一种可能，未来也许可以理解更多疾病，并找到对应的药物。
从那时起，我就希望投身 AI for Science，把实验室里对疾病的研究转化成分子，最终延长病人的生命。相比神经科学，AI for Science，或者更具体地说 AI for Drug Discovery，更接近我最早进入协和时的想法。
DeepTech：过去的神经科学经历，会影响你今天做药时对疾病领域和靶点的选择吗？
贾寅君：肯定会有一部分影响，但我不会把自己局限在神经科学领域。
博士期间，包括后来在 AIR 做研究时，我们选择过不少和神经生物学相关的靶点，比如抗抑郁相关靶点。但真正影响人的生命和健康的疾病并不只存在于神经领域。现在做药，包括免疫性疾病、代谢性疾病等，我都觉得是非常有价值的方向。
DeepTech：你在 AIR 有一项很有代表性的工作是 DrugCLIP。为什么当时会想到做“基因组级虚拟筛选”？
贾寅君：这些工作背后的想法其实是一脉相承的。当时我们有一个很明确的想法：如果能够为越来越多的靶点找到对应的分子，也许未来有一天，我们就能够为所有疾病找到治疗办法。
具体的分子机制和宏观层面的疾病并非简单的一一对应，但理解微观机制总是第一步。所以我们希望扩大虚拟筛选的尺度，为过去没有被充分研究的蛋白寻找能够与之结合的小分子。
我们期待通过基因组级虚拟筛选，让研究人员即使没有很强的计算资源，也能查询感兴趣的靶点，快速获得经过 AI 预筛选的候选化合物，并以此作为药物研发的起点。这可以降低早期药物发现的壁垒，尤其有助于研究那些冷门但重要的疾病靶点。
如果只能选一种药物模态，为什么是多肽？
DeepTech：你其实从 2021 年就已经开始做多肽相关研究，后来又在 2023-2025 年间完成了 DrugCLIP 的小分子虚拟筛选工作。小分子和多肽两条路线都深入做过之后，为什么最终创业时选择把多肽作为主要方向？
贾寅君：我们做药物发现时，多肽其实起步更早。只是当时多肽的数据非常少，小分子的公开数据和研究基础更完备，所以也在小分子方向做了很多探索。总体来看，两条路线是并行推进的。
但如果让我只能选择一种药物模态、用一个 AI 模型去尽可能覆盖更多疾病靶点，我会认为多肽是离这个目标最近的。
多肽既可以做胞内靶点，也可以做胞外靶点，还可以挑战一些传统意义上的“不可成药”靶点，应用于神经系统等不同疾病领域。对我来说，它像一把“瑞士军刀”，泛用性很强，安全性通常也更有优势。所以离开清华以后，我把多肽作为创业和后续工作的重点。
DeepTech：既然多肽有这么多优势，为什么过去几十年里，它没有成为绝对主流的药物模态？
贾寅君：其实多肽药物正在越来越主流。过去一个很重要的限制，是生物技术能够筛选出来的多肽，长期以来还是以天然氨基酸组成的多肽为主。
天然多肽一个很现实的问题就是稳定性：人体里有很多蛋白酶都会对天然多肽进行切割，所以其在体内比较容易被降解，这限制了它在很多疾病中的应用。
现在情况正在变化，一些新的多肽药物也通过引入非天然修饰提高稳定性。随着成药性问题逐步解决，多肽正受到越来越多关注。
DeepTech：你刚才把多肽比作一把“瑞士军刀”，强调它的通用性。那有没有一些疾病、靶点或者给药场景，其实并不适合多肽，反而小分子或者抗体会更有优势？
贾寅君：我觉得“瑞士军刀”强调的是通用性，也就是说，对于很多不同类型的靶点，多肽都有可能找到一条比较明确的成药路径。但这并不意味着所有靶点用多肽都是最优解，每一种药物模态都有自己的生态位。
部分小分子药物因为自身比较特殊的作用机制，可以形成很独特的应用场景及较为广阔的适应症，这是目前多肽还不容易完全替代的。
抗体也是一样。有些靶点的治疗效果需要借助抗体本身的一些特性，比如ADCC（抗体依赖性细胞毒性）效应，这时候如果换成多肽，就可能需要更复杂、更特殊的设计，不一定是最直接的路径。
所以，多肽并非在所有场景下都是最优解。我们更看重它的均衡性和泛用性，希望它覆盖尽可能多的靶点和疾病。
DeepTech：从制备和下游工艺来看，多肽相比小分子或者蛋白质药物有什么特点？
贾寅君：比较 case by case，和具体的分子结构关系很大。一些链长没有那么长、也没有复杂多环结构的多肽，制备相对比较简单，成本也可能比较低。但如果是超长链多肽，或者结构比较复杂的多环肽，合成和制备成本就可能明显提高。
DeepTech：目前多肽 AIDD 主要有哪些技术路线？你们选择什么路线？
贾寅君：现在的技术路线包括 mRNA 展示与干湿闭环、Agent 系统基于知识改造分子、非天然氨基酸生成等。
我们属于非天然氨基酸生成这条路线。mRNA 展示技术的限制，会让掺入非天然氨基酸的优化周期更长。我们用 AI 直接设计由非天然氨基酸构成的 AI-native 多肽苗头分子，再进行化学合成，可以快速迭代多肽药物设计。
用合成数据补上多肽研究的数据缺口
DeepTech：多肽相比小分子和蛋白质，一个很现实的问题是数据非常稀缺。你们后来构建了 CPSea，这套数据最初是怎么做出来的？
贾寅君：受限于结构生物学的通量，全世界都无法迅速获得大量多肽与蛋白靶点结合的结构解析数据，合成数据因此成了一个可行方案。
简单来说，我们基于冷冻电镜解析的真实蛋白结构，从没有结合多肽配体的结构中，提取蛋白内部相对独立、能够折叠的环区，让它与蛋白内另一个发挥作用的口袋结合，再通过几十条严格的物理约束，生成高度模拟多肽与蛋白靶点结合的复合物数据。这也是我们从 2021 年以来研究多肽 AI 模型的基础和重点。
DeepTech：语言模型里使用合成数据已经比较常见，但生命科学不太一样。一个合成出来的多肽-蛋白结构，怎么证明它里面包含的知识真的能够迁移到现实世界？
贾寅君：我们最直接的方式还是做真实实验验证。具体来说，我们会完全基于合成数据集训练神经网络，训练过程中不掺杂真实数据。然后让这个模型针对具体靶点生成多肽分子，再把这些分子真正合成出来，通过生物物理和其他生物实验去测试它们和靶点的结合，以及后续的一些功能。
如果一个完全由合成数据训练的模型，最后能设计出在真实实验里有效的多肽分子，就能从结果上说明这些合成数据包含有效知识，能够指导真实分子的设计和验证，而不只停留在计算层面。
DeepTech：但 AI 一次可以生成很多分子，湿实验验证会不会反而成为一个新的瓶颈？模型生成得越来越快，但实验根本验证不过来。
贾寅君：确实，实验验证的通量和模型生成的速度之间会存在差异。我们现在一般针对一个靶点，会去验证大约 100 个左右的分子。
同时，我们会选择有代表性的靶点，希望得到相对客观、没有明显偏见的测试结果。模型生成多少并不意味着全部都做，我们通过实验设计来判断模型和数据是否真的有效。
DeepTech：所以你们现在搭建的，其实也可以理解成一个“干湿闭环”？
贾寅君：某种程度上可以这么理解。我们会从实验结果里重新获得对多肽和合成数据的认识，而不会在做完一次模型、一次实验后结束。
这些认识会反馈回来，帮助我们改进合成数据的构建方式和后续模型。整个过程不断往返，模型提出设计，实验进行验证，结果再帮助我们重新理解和构建数据。
DeepTech：目前湿实验这一部分，是完全依赖人工，还是已经有一些自动化能力？
贾寅君：现在基本上还是一个半自动化的状态。有一部分实验环节已经可以通过自动化完成，但整体上仍然需要不少人工参与。
一个现实问题是，很多实验设备没有集成在同一个实验室里。后续，我们希望建设自动化程度更高的平台，把更多环节整合起来。这类平台成本很高，现阶段仍要通过部分自动化加人工完成实验闭环。
DeepTech：生命科学里高质量数据本来就比较有限，而且不同实验之间的测量标准、数据格式也不完全统一。在这种情况下，用这些数据训练模型，怎么避免模型最后只是学成一个越来越复杂的“黑箱”？
贾寅君：这个问题我们也一直在考虑。生命科学数据确实存在很多不统一的地方，比如 label 不统一、数据格式不统一，还有比较明显的批次效应，这些都会影响模型训练。
我们主要从两个方面解决。第一，重视基于结构的数据。结构格式相对统一，质量也更容易控制，可以作为较稳定的数据基础；第二，建设自有数据集，尽量统一实验条件、测量方式和数据标准，让体系内不同批次的数据可比较。
DeepTech：你刚刚提到一直比较坚持结构路线。如果只用序列数据训练模型，相比结构数据会有哪些局限？
贾寅君：序列数据最大的优势还是量大，而且比结构数据更容易获得。
但从另外一个角度看，序列数据也更容易存在偏见。比如某些热门靶点可能已经积累了非常多序列数据，这样训练集在不同靶点之间就容易非常不均衡。
结构数据虽然总体数量更少，但我们可以通过不同方式，尤其是合成数据的方式，让训练数据在靶点和结构分布上尽量更加均衡。所以序列路线和结构路线各有优势，我们更看重结构数据能够提供的这种相对统一、可靠的信息。
DeepTech：现在多肽 AI 领域已经有比较统一的 benchmark 来评价模型了吗？
贾寅君：目前整个 AI 多肽领域还处在探索阶段，大家既会使用计算指标，也会使用实验指标，但还没有一个非常统一的评价体系。
我们的目标是让设计出来的分子真正用于患者。模型训练前期，我们会使用一些计算指标；落实到具体分子设计时，则更倾向于做系统性的实验评价。
对我们来说，湿实验仍是最重要的“金标准”。一个分子到底有没有价值，不能只看计算指标，还要经过真实实验验证。
让多肽模型真正 Scaling 起来
DeepTech：你们开发的多肽生成模型 MEET 比较强调 Scaling Law。为什么在多肽 AI 领域，让模型真正 Scaling 起来是一件比较难的事情？
贾寅君：我觉得首先还是数据问题。多肽领域本身的数据就比较少，这是 Scaling 很大的一个限制。
另外，从模型结构上看，多肽和蛋白质领域过去会加入很多领域特定的 inductive bias（归纳偏置）。这些 inductive bias 往往直接写进模型结构里。比如 AlphaFold 中的一些专门结构，本身就比较复杂，也不一定特别容易 Scaling。现在也有研究指出，这类结构的 Scaling 更多体现在模型宽度上，而不像大语言模型那样可以比较自然地通过增加深度和算力持续扩展。
我们做 MEET 时，一个重要思路是让模型结构尽量贴近已经成熟的语言模型和 AIGC 生成模型体系。这样可以利用过去几年积累的模型结构和基础设施经验，包括训练框架、算力资源等，让多肽生成模型更容易 Scaling 起来。
DeepTech：如果模型能够持续 Scaling，数据和算力继续增加以后，你最希望它最终提升的是哪些能力？
贾寅君：我们最希望看到的提升，还是体现在真实的分子设计能力上。
一个是针对具体靶点生成分子的 hit rate，也就是命中率能不能持续提高；另一个是生成出来的分子和靶点之间的亲和力能不能进一步提升。
这也是我们接下来希望通过新实验重点验证的事情。Scaling 有没有意义，最终要看它能不能反映在真实分子的命中率和亲和力上。
DeepTech：你们还做了 PepMirror 这样一个镜像多肽生成模型，它主要想解决什么问题？
贾寅君：我们最主要还是想解决天然氨基酸组成的多肽稳定性比较低的问题。
从多肽药物的发展来看，亲和力和稳定性很多时候像一个“跷跷板”。为了提高一个苗头分子的稳定性，我们可能需要引入非天然氨基酸，但每次改造都可能带来细微的结构变化，导致原有亲和力下降。研发人员需要反复寻找平衡，优化过程可能持续很多年。
我们的想法是，从一开始就让 AI 原生生成由非天然氨基酸构成的分子。这样得到的苗头化合物具有更强的抗蛋白酶降解能力，稳定性更高、半衰期更长，之后再通过 AI 迭代亲和力等性质，有机会大幅提高优化效率。
D 型氨基酸是其中一个比较特殊的选择。它在结构上和天然的 L 型氨基酸非常接近，两者主要是镜像关系，同时 D 型氨基酸在人体中也有少量存在，也已经有完全由 D 型氨基酸构成的药物上市，安全性有保证。所以我们希望通过 D 型氨基酸来设计多肽，从更基础的层面解决稳定性问题。
DeepTech：但 D 型多肽本身的数据应该比普通多肽还要少。在几乎没有数据的情况下，模型怎么完成设计？
贾寅君：对，所以我们做的是一个零样本的 AI 模型。
我们的思路是让模型建模 L 型和 D 型之间的对应关系，同时学习全原子层面的相互作用模式。这也是 AI 虚拟计算很有吸引力的地方。它不要求现实世界里已有大量完全对应的数据，可以利用学到的结构关系和相互作用规律，探索现实数据还没有覆盖的分子空间。
离开高校创业，以及一个更远的目标
DeepTech：为什么会在这个时间点决定创业？
贾寅君：在过去的科研过程中，我们积累了一些技术，也在 Science 等期刊和一些学术会议上发表过相关工作。从合成数据、模型，到 AI 药物设计和非天然多肽设计，我们逐渐形成了连贯的技术路线，也积累了很多具体的 know-how。
药物研发是一个工业化过程，需要商业路径和充足资金，才能发挥 AI 的能力，把模型变成实际的药物分子。所以我希望离开高校，聚焦多肽药物，把过去积累的技术继续往下推进。
DeepTech：公司刚成立不久，团队是怎么组建起来的？
贾寅君：我们目前的团队主要还是由长期合作的学术伙伴组成。不管是计算机、AI 背景的算法工程师，还是生物、化学、医学方向的负责人，大家此前都有比较长时间的合作基础。
这样的好处是彼此磨合成本低，公司决策链也比较短。尤其是把技术落实到具体分子设计时，大家对要做的事情有一致的愿景和坚持。这对一家非常早期的公司很重要。
DeepTech：你们目前设想的商业模式是什么样的？
贾寅君：我们现在已经开展了一些早期合作项目，也已经拿到了一些苗头化合物。接下来会围绕这些分子继续做优化，希望明年能够进一步产出一些分子成果。
商业化上，我们希望先从合作研发，也就是 co-development 开始，逐步再走到 License-out。
更长期来看，我们希望把公司的管线逐渐覆盖到代谢、肿瘤、神经、免疫等高价值治疗领域，最终成长为一家立足中国、面向全球的 AI-native 制药企业。当然，这是一个比较长期的愿景。
DeepTech：你们现在优先布局的靶点或者药物，主要集中在哪些疾病领域？
贾寅君：我们目前在肿瘤、自免、代谢领域已经有一些药物设计项目在推进。
DeepTech：现在 AI+多肽开始受到越来越多关注，一些原来做小分子、抗体的公司也在向多肽方向拓展。你怎么看这个赛道目前的竞争？
贾寅君：我觉得这个赛道开始有竞争，本身也说明大家越来越认可多肽的价值。从商业角度来看，目前这种竞争整体还是比较良性的，也能够推动整个领域更快发展。
大家选择的技术路线差别很大。我们希望从多肽本身出发，原生设计以非天然氨基酸为主、稳定性较高的多肽药物。有些公司更侧重 Agent 相关技术，利用已有知识优化分子，也有公司依托展示技术和成熟的生物筛选体系。
现阶段的竞争是多元化、差异化的，大家从不同的技术路径出发，解决不同的问题。
另外，多肽制药整体还处在比较早期的阶段，值得开发的高价值靶点也还有很多。任何一家初创公司都很难同时推进上百条管线，所以最终还是会形成各自不同的落脚点。大家选择自己擅长的技术路线、感兴趣的靶点和管线，各自去创造价值。
DeepTech：最后一个问题，《人芯》里有一个很核心的矛盾：ASI 把人类的工作、疾病、贫困等问题一个个解决以后，人类反而逐渐失去了目标。十多年以后，你正在现实中推动 AI 接管药物发现中的越来越多工作。现在回头看当时提出的这个问题，你的答案发生变化了吗？如果未来 AI 真的可以自己设计分子、安排实验，甚至完成越来越多科学发现，人类科学家最重要的工作还会是什么？
贾寅君：我觉得没有发生变化。
我当时在小说里的一个想法就是，希望未来 AI 可以接管人类越来越多的工作，同时有一天，人类的意识也能够走向电子化、数字化。到了那个时候，人类也许能够获得和 AI 类似的能力和力量，继续去解决这个世界上的问题。
今天 AI 已经在推动药物发现和科学发展。我们做 AI 药物发现，是希望利用 AI 的力量，让大家拥有更健康的身体和更好的生活质量，也让更多人有机会看到更远的技术出现。
我们当然也希望自己真的能够为这件事情贡献一些力量，尽可能延长这一代人的健康寿命。也许我们这一代中，会有人真正看到那一天。
运营/排版：何晨龙
注：封面及部分插图由 AI 辅助生成
富腾优配提示：文章来自网络，不代表本站观点。
