深度细胞完成近亿元种子轮融资：虚拟细胞有望成为生物科技新基础设施

2024年以来，全球AI制药行业进入了一个微妙的拐点。多家头部AI制药公司相继发布临床试验数据，结果参差不齐。行业开始正视一个被炒作掩盖了多年的技术事实：大部分AI药物发现模型本质上是在做高维度的模式匹配——它们从已知结构和序列数据中学习统计规律，却无法解释分子相互作用背后的物理驱动力。当模型面对一个从未见过的靶点或者一个缺乏结构信息的难成药体系时，模式匹配的可靠性便急剧下降。这就是为什么制药公司在2025年后对AI平台的采购要求，已经从“你能生成多少候选分子”转向了“你能减少多少无效实验轮次”。

正是在这一背景下，一家名为深度细胞的初创公司完成近亿元种子轮融资，试图用一条迥异的技术路线回应上述问题——以“AI+物理”双引擎重构分子设计范式。本轮融资由中科创星、顺禧基金、千骥资本共同领投，鼎峰科创、水木创投和清科控股参与投资。六家机构中既有硬科技早期投资力量，也有专注医疗健康及产业资本，组合本身透露出本轮押注的逻辑：这条技术路线需要长期投入且跨越学科边界，单一类型的资本难以覆盖其所需的时间跨度和资源纵深。

从“拟合数据”到“理解力学”：一条跨越物理与AI的技术红线

深度细胞的技术方案可以概括为两条并行主线：一条是分子尺度的“求深”——构建以分子相互作用智能基座模型为核心的高精度分子设计平台；另一条是细胞尺度的“求广”——构建多组学与物理双驱动的虚拟细胞世界模型。

这两条线并非简单的产品矩阵组合，而是共享同一个底层逻辑：将AI的学习能力与分子物理世界的基本力学规律相结合。公司创始团队认为，分子相互作用的本质是物理力，而当前主流AI模型缺乏对这一底层机制的本质理解，导致其在面对新型分子、复杂生物相互作用以及缺乏已知结构信息的难成药体系时，精度和泛化能力出现系统性瓶颈。

这一判断有据可循。截至2025年，以AlphaFold为代表的结构预测模型在已知蛋白结构域的预测上表现卓越，但将其直接用于药物设计时，建模误差会在实际结合自由能计算中被显著放大。AI制药行业由此出现了一个看似矛盾的现象：结构预测越来越好，但实际成药预测仍然困难。原因在于，药物在真实细胞微环境中的行为由多尺度物理力——疏水作用、静电互补、构象熵变、溶剂效应、膜环境约束——共同决定，而这些因素无法被单纯的统计学习完整捕捉。

深度细胞的技术路径是，将分子物理机制转化为可学习、可验证的模型约束。公开材料强调，这并非简单地在神经网络外叠加若干物理规则作为后处理，而是将物理学约束嵌入模型架构与训练过程，使模型在学习海量数据的同时，逐步形成对相互作用规律的本质表征。创始人陈新栋将这一方向概括为：“让模型不仅知道什么可能成立，更能够理解它为什么成立。”

从已公开信息来看，深度细胞同时将IsoDDE、Chai-2等国际前沿模型视为技术标杆，这一定位值得细究。IsoDDE专注于等变扩散模型在分子生成中的应用，Chai-2则致力于蛋白质-配体相互作用预测。深度细胞将自身定位为突破这些模型的精度和能力边界，而非简单复现或追赶，这意味着它需要在多个维度上证明差异化：如何在训练数据之外的新型生物分子相互作用中维持预测可靠性；如何从结构预测进一步推向细胞功能预测与调控机制预测；以及如何支持抗体、蛋白、多肽、分子胶、双抗等跨模态药物设计。

这些目标的工程难度不容低估。尤其在多模态药物设计领域，不同类型生物大分子的力场参数、采样效率与溶剂模型差异显著，统一的物理约束框架在学术界尚无成熟方案。深度细胞能否在这条技术红线上实现工程化突破，是后续需要持续观察的核心问题。

虚拟细胞模型：一场方法论级别的赌注，而非类器官的数字替身

深度细胞的另一条产品线——虚拟细胞世界模型，比分子设计平台承载着更宏大的技术野心。公司试图构建一个打通“多组学—结构—相互作用—能量—动力学—功能”的统一学习框架，用多组学数据描述细胞在疾病、药物和环境条件下的宏观状态，用分子物理机制解释这些状态背后的微观动因。

这与当前多数虚拟细胞模型的路线存在方法论层面的分野。2024至2026年间，多家研究机构和公司推出了基于转录组和扰动数据的虚拟细胞模型——例如斯坦福大学团队主导的某些细胞基础模型、以及多家AI制药公司内部构建的细胞状态预测器。这类模型本质上学习的是细胞状态之间的统计映射：给定一个基因扰动，预测哪些基因会同步上调或下调。它们的核心局限在于，能够描述“发生了什么”，却难以回答“为什么发生”以及“干预后会如何”。如果模型仅仅学习到“基因A敲低后基因B的表达量下降30%”这样的统计关联，它无法区分这种关联是由物理相互作用的因果链驱动，还是在特定实验条件下的一种相关性伪影。

深度细胞的进路是，将分子尺度的物理机制作为虚拟细胞模型的内核，让组学数据承担宏观状态描述的角色，而分子结构、相互作用、能量学和动力学解释状态背后的深层原因与演化路径。公司明确表述，它关心的核心问题是：“疾病状态下，细胞内部究竟发生了什么；什么力量推动细胞从健康走向疾病；又应该设计怎样的分子，才能把细胞重编程回正确的状态。”

清华大学冯西桥院士在本次融资公开信息中提供了一种框架性注脚：“真实细胞是一个由亿万分子持续运动、发生相互作用并响应环境变化驱动的复杂物理动态系统。组学告诉我们细胞状态变化，多尺度物理帮助我们理解为什么发生。”这一表述将虚拟细胞的概念从“状态预测器”重新定义为“机制解释系统”，其技术内涵远超出目前市场上多数虚拟细胞概念——后者更接近类器官的数字建模或单尺度扰动预测。

但这一设想的技术实现难度同样巨大。从分子物理到细胞功能的跨尺度建模，需要同时在量子力学精度、分子动力学采样效率和细胞尺度粗粒化策略之间找到可行的计算折衷方案。目前学术界在多尺度耦合方面仍处于早期研究阶段，尚无团队真正实现从分子力场直接推导细胞表型的功能性模拟。深度细胞的公开材料并未披露其模型的具体架构、算力需求和验证数据，这为市场评估其技术可行性留下了明显的信息真空。

清华力学系的十年积淀：技术独特性源于学科交叉，而非堆叠人才

深度细胞的技术雄心与其创始团队的学术背景密不可分。创始人陈新栋师从清华大学力学系冯西桥院士，在领域内深耕十年，研究横跨量子尺度的分子相互作用计算、分子动力学模拟与细胞尺度物理建模三个不同的生命科学尺度，多篇成果发表于《美国国家科学院院刊》（PNAS）、《ACS Nano》等国际期刊。

陈新栋本人在采访中强调，团队在物理力学与AI交叉领域有着“超过20年的深厚积淀”。如果以清华大学力学系在生物物理力学领域的积累为背景，这一说法可以追溯到冯西桥院士课题组长期开展的分子与细胞生物力学研究——这是一个将工程力学分析范式应用于生命系统的交叉传统，在国内力学界具有独特定位。

这种学术积淀的意义在于，深度细胞的技术路线并非简单的“雇几个计算化学博士加上几个AI工程师”所能复制。它所要求的跨学科能力覆盖三个通常被学术界分隔的领域：量子化学精度级别的分子相互作用计算、能处理大分子体系毫秒级运动的分子动力学模拟、以及细胞尺度力学建模与物理约束表征。这些能力构建需要长期的学术积累和学科交叉实践，而清华力学系在这方面提供了国内相对稀缺的人才储备——这也解释了为何六家投资机构在投资逻辑中不约而同地强调“团队的交叉积累和系统性能力是其最难被复制的核心优势”。

千骥资本首席投资官吴海的表态从另一角度验证了这一判断：“清华团队在生物物理力学领域的深厚积淀，使这种多元化互补背景配置在业内极为稀缺。”这种对团队背景而非技术指标的强调，折射出投资方对技术壁垒本质的判断：在AI制药领域，数据、算力和开源模型正在加速商品化，真正构成护城河的是对生命系统底层物理规律的建模能力——而这正是深度细胞创始团队的学术基因所在。

商业化路径的两种可能：功能性大分子设计先行，虚拟细胞尚需漫长验证

虽然深度细胞在融资公告中重点渲染虚拟细胞世界模型的长期愿景，但从商业化的现实角度审视，近期的收入来源几乎确定性地落在分子设计平台一侧。

鼎峰科创合伙人张静在投资陈述中提供了一个清晰的商业化推演：“以功能性大分子设计为切入点，直击药企在活性调控、成药性优化等环节的核心痛点。”这一表述指向的是一个已被市场验证的服务场景：为制药公司提供抗体、蛋白、多肽等功能性大分子的计算设计与成药性优化服务。全球药企在这一环节的研发支出规模可观，且对AI辅助设计的接受度在2023至2025年间显著提升——多家跨国药企已与AI制药公司签订了里程碑金额超过数十亿美元的合作协议。

深度细胞若能在这一赛道证明其“AI+物理”方案相较纯数据驱动模型的精度优势，建立起与药企的合作管线，种子轮资金可以支撑其完成平台搭建与初步的外部验证。但公司同时面临的挑战在于，功能性大分子设计市场竞争已相当激烈——不仅包括薛定谔（Schrödinger）这样已有多年商业化记录的成熟玩家，还有以Generate:Biomedicines、BigHat Biosciences为代表的AI驱动型新锐，以及国内晶泰科技等先行者。深度细胞需要快速证明其物理约束方案在特定场景——例如难成药靶点、构象动力学复杂的大分子、或者训练数据稀缺的新型药物模态——具备差异化优势。

虚拟细胞模型的商业化路径则完全不同。这一产品如果最终实现，更接近“生命科学基础设施”——它并非为药企提供一次性的分子设计服务，而是构建一个可模拟、可推演药物干预结果的虚拟细胞系统，成为制药研发上游的通用工具平台。从基础设施到产生收入的路径漫长且不确定，需要经过科学界对模型可解释性的广泛验证、药企对推演结果的信任构建、以及监管机构对虚拟细胞模型作为决策依据的认可。

目前深度细胞并未披露客户信息、合作管线数量或任何商业化里程碑。这本身并非种子轮公司的异常——考虑到公司可能仍处于平台搭建期——但也意味着外界无法评估其技术价值闭环是否已经开始运转。顺禧基金在投资陈述中提到的“每一次项目推进，都有机会沉淀为新的数据、机制认知和模型能力”，暗示公司可能在推进与药企的实际合作项目，但具体信息和进展均未公开。

资本结构透露的信息：硬科技基金主导，尚缺产业资本入局

本轮融资的投资方组合提供了理解深度细胞资本策略的线索。共同领投的三家机构——中科创星、顺禧基金、千骥资本——分别代表硬科技早期投资、北京市引导基金背景的科技成果转化投资、以及深耕医疗健康领域的专业VC。跟投方鼎峰科创和水木创投带有清科系和清华校友基金色彩，清科控股则为港股上市公司，兼具产业资本与财务投资双重属性。

这一组合的特点是，每一家都在各自的领域具备专业判断力，但缺乏全球大型制药企业的战略资本参与。对比同期AI制药领域的融资案例——例如Generate:Biomedicines吸引了安进、诺华参与，Insilico Medicine背后有复星医药等产业资本支撑——深度细胞的本轮资本结构更偏向“让科研资本做早期验证，待技术成熟度提升后再吸引产业资本介入”。

这个策略有其合理性。深度细胞的技术路线强调底层物理理解，其产品成果在种子轮阶段更接近“科学突破的工程化”，而非“已有药物的加速开发”。制药企业的战略投资通常需要看到明确的管线价值或平台验证数据，深度细胞尚未达到这一阶段。但从长期来看，产业资本的缺席意味着公司需要自己搭建实验验证体系和外部合作网络——这将是种子轮资金的重要消耗方向。

关于资金的具体用途和分配，公司在公开信息中未作披露。

跨越AI、物理与药物研发的边界：系统性问题最终考验的是组织能力

中科创星合伙人米磊在评论深度细胞的投资逻辑时，点出了一个结构化判断：“这条路线技术门槛极高，也需要跨越AI、物理科学和药物研发之间长期存在的边界。”这句话既是对技术壁垒的描述，也隐含着对风险的提示。

跨越学科边界的问题在于，它要求的不仅是团队成员具备多元背景，更是组织能够在日常运营中将这些背景有效整合。AI工程师、计算化学家、分子生物学家和药物化学家的工作语言、评价标准和节奏存在根本差异——前者追求模型在基准测试上的指标提升，后者关注某一具体靶点的实验数据是否支持下一步决策。当一支团队同时推进分子设计平台和虚拟细胞模型两条技术线路时，资源分配、人才激励和技术路线决策的复杂性将以指数级增长。

另一个待验证的假设是，深度细胞的分子物理约束方案能否在真实产业环境中提供显著优于纯数据模型的价值。这里的关键词是“显著”——如果该方案在多数常规靶点上与AlphaFold级模型相比仅有边际精度提升，药企客户可能不愿意为这种增量价值承担额外的时间和资金成本。深度细胞真正需要证明的场景，是那些训练数据稀缺、靶点结构未知或高度动态、传统AI模型明确失效的难成药体系。只有在这些边界场景中取得突破，“AI+物理”路线才能建立不可替代的商业价值。

此外，自有实验反馈能力也是关键的未知数。深度细胞在公开材料中提到“自有实验反馈和高精度模拟数据持续优化模型”，但未披露其是否自建实验室、实验体系的规模以及数据生产吞吐量。实验验证是连接计算预测与真实生物学的桥梁，也是产生持续自进化数据闭环的前提。如果实验能力依赖外部合作，数据反馈的速度和质量将受制于人，可能延缓模型的迭代周期。

全球生物科技竞争正在从单点技术和单一产品竞争，走向生命科学基础模型和科研范式之争。这在深度细胞的叙事中是一个被反复强调的命题。但需要区分的是，宏观趋势属于整个行业，并不自动构成对深度细胞的具体利好。虚拟细胞能否真正成为“未来生物科技创新的重要基础设施”，取决于它能否跨越从科学假设到工程化、从工程化到规模化应用、从规模应用到生态构建的多阶验证。深度细胞刚刚完成了种子轮融资，意味着它刚刚站在这条漫长阶梯的第一级。六家投资机构用近亿元支付了对这个方向的第一笔期权，而证明其价值的漫长路程，还未真正开始。

资金的注入解决了启动问题，却尚未解决验证问题。陈新栋团队在分子物理与AI交叉领域的学术积累构成了进入壁垒，但“AI+物理”路线从论文走向管线仍然隔着实验数据、客户信任和规模化三个关口。其虚拟细胞愿景若实现，将代表对现有AI制药范式的一次根本性重构——从统计预测转向机制理解；若失败，深度细胞仍有可能通过分子设计服务找到生存空间，但彼时它讲述的就不再是“理解生命”的故事，而是一家计算方法公司的常规叙事。

RecodeX 极客视：虚拟细胞概念的吸引力在于它承诺了AI对生命系统的真正理解，而非更高效的模式匹配。但历史的经验反复提示——从分子力场到细胞功能的跨尺度建模是科学史上最难的问题之一。深度细胞将物理力学引入AI制药，与其说是技术升级，不如说是对现有路线的“范式纠偏”：当行业被数据驱动模型的短期表现迷住眼睛时，有人选择回到相互作用的物理本质，追问模型是否真正理解了为什么。这个追问值得尊重，但它的商业回报可能需要以十年为单位来计量，取决于资本是否有同样的耐心。