药物研发长期被困在一个不对称的赌局里:研究者可以在分子层面用算法生成成千上万个候选化合物,却很难在实验之前判断这些分子进入细胞后究竟会发生什么。一个化合物能否结合靶点,与它能否在真实细胞环境中改变疾病进程之间,隔着基因调控网络、代谢重编程、细胞状态转换等层层未知。过去几年,AI制药的进展高度集中在分子生成与靶点结合预测,但分子进入细胞之后的命运,仍然依赖昂贵且缓慢的湿实验逐一验证。
虚拟细胞公司试图补上的正是这段空白。2026年以来,虚拟细胞概念从论文走向资本市场。动脉智库统计称,全球虚拟细胞领域的融资总额已突破30亿美元。资本向这一赛道集中的逻辑并不复杂:如果能在计算机中模拟细胞对药物、基因编辑或环境扰动的响应,研究者就能在立项、靶点比较和实验排序阶段提前排除低价值方向。但预测要可信,前提是模型见过足够多、足够好的细胞扰动数据。有研报测算,当前可用的高质量、带标记扰动数据,距离模型训练需求还差约1000倍,阴性结果尤其稀缺,因为失败实验很少被发表,药企内部数据也不会对外共享。
正是在数据缺口与资本热度并存的节点上,由晶泰科技(02228.HK)孵化成立的虚拟细胞公司无界进化,于2026年11月宣布完成超亿元Pre-A轮融资。36氪获悉,本轮融资由星连资本、Prosperity7、华盖资本、华控基金及德同资本等机构联合投资,老股东顺为资本、红杉中国和松禾资本追加。这也是公司在半年内完成的第二笔融资。公司通稿称,本轮资金将用于推动细胞响应预测、科学假说检验与高通量自动化实验反馈的深度协同,打造覆盖“靶点发现-虚拟筛选-临床方案优化”的AI生物学平台。
| 字段 | 内容 |
|---|---|
| 公司 | 无界进化 |
| 轮次 | Pre-A轮 |
| 金额 | 超亿元 |
| 投资方 | 星连资本、Prosperity7、华盖资本、华控基金、德同资本联合投资;老股东顺为资本、红杉中国、松禾资本追加 |
| 总部 | 未披露 |
| 创始人 | 未披露完整名单;报道提及联合创始人赖力鹏、赵亚龙 |
| 官网 | 未披露 |
OCOO-T把“输入扰动、输出转录组”做成可检验的预测任务
无界进化的核心资产是覆盖细胞多组学的虚拟细胞基础模型系列OCOO,目前已发布基于转录组数据训练的OCOO-T。据36氪报道,该模型可直接对细胞在扰动下的基因表达变化建模,通俗地说,就是输入“用什么药、敲掉哪个基因、作用多久”,模型便会尝试输出“这批细胞的转录组会怎么变”。
这一任务定义的价值在于,它把虚拟细胞从一个模糊的科学愿景,压缩成一个可以被基准评测检验的预测问题。公司通稿称,OCOO-T在Tahoe100M、Replogle、PBMC三个单细胞扰动基准的同条件评测中取得领先表现。需要说明的是,上述评测结果来自公司单方面披露,本次公开来源未提供独立第三方验证。这类预测目前尚不能替代动物实验或临床,其现实定位是在立项、靶点比较和实验排序阶段,帮助研究者少走弯路。
从技术路线看,OCOO-T选择转录组作为建模入口,是一个务实但边界清晰的选择。转录组数据在单细胞层面相对丰富,且能直接反映基因调控网络的即时变化,适合作为扰动响应的第一层代理指标。但转录组只是细胞状态的一个切面,蛋白丰度、翻译后修饰、代谢物浓度和表观遗传状态等层级的变化,未必能从转录组变化中完整推断。公司虽将OCOO定位为“覆盖细胞多组学”的基础模型系列,但目前已发布并公开评测的仅是转录组模型,多组学覆盖的完整程度尚未在本次来源中展开。
转录组作为第一层代理指标,还意味着OCOO-T的预测边界会直接受限于单细胞测序本身的噪声结构。不同实验平台在细胞捕获效率、测序深度和批次效应上的差异,可能使同一扰动在不同数据集上呈现不一致的转录组响应。因此,模型在Tahoe100M、Replogle、PBMC三个基准上的领先表现,能否迁移到公司自有自动化实验体系产生的数据上,仍需通过跨平台一致性测试来验证。公司通稿未披露OCOO-T的训练数据规模、批次校正方式或跨平台泛化实验,这些技术细节将决定其从公开基准走向内部湿实验时是否需要重新适配。
“递归科学发现”把改进对象从模型扩展到整个科研流程
只做模型,在今天的AI4S赛道已经不是新鲜故事。无界进化提出一套名为“递归科学发现(Recursive Scientific Discovery,RSD)”的机制。据36氪报道,这一机制借用了AI领域“递归自进化(RSI)”的思路,但把改进对象从模型本身扩展到了科研过程:科研问题如何提出、假说怎么推演、分析怎么做、实验成功和失败分别留下什么,都将被不断记录、关联和复用。
基于这套机制,公司已推出两个产品。其一是假说挖掘引擎The Popper Project(TPP),通过接入科研智能体和多源数据库,生成、质疑并完善可检验的假说,用可追溯的推理链标出证据和空白;其二是Karl Workbench科研工作台,试图把记录、积累、产物、监督、进化变成日常研究流程的一部分,现已开启内测。公司通稿称,今年10月在耶鲁大学、Broad研究所等机构联合发布的科研Agent基准SciAgentArena复测中,搭载DeepSeek基础模型的Karl Workbench“在单细胞组学与空间组学两个场景均获第一”。这一成绩同样来自公司单方面披露,尚无独立第三方验证。
RSD机制真正的差异化意图,不在于模型架构本身,而在于它试图把科研过程中通常被丢弃的“失败信息”重新纳入学习循环。传统科研记录以发表为导向,阴性结果和失败实验很少被系统留存。如果RSD真能把实验成败记录与假说推演过程结构化地关联起来,其长期积累的数据资产可能比单点模型性能更具壁垒。但这一机制的有效性,取决于实验记录能否被标准化到足以跨项目复用,以及科研人员是否有足够动力在日常工作中持续录入。这两点在本次披露中均未得到回答。
RSD机制要形成可持续的数据资产,还面临一个更具体的激励问题:科研智能体生成的假说和推理链,只有在被实验证实或证伪后,才能转化为有训练价值的反馈信号。如果TPP产出的假说数量远超实验体系能够检验的吞吐量,那么大量推理链将停留在未验证状态,无法进入下一轮模型改进。这意味着RSD的有效性不仅取决于记录是否结构化,还取决于假说生成速率与实验验证速率之间能否形成匹配。公司通稿未披露TPP的假说产出量、Karl Workbench内测用户规模或从假说到实验的转化比例,这一匹配关系目前仍无法从公开信息中判断。
干湿闭环的真正门槛不在模型,而在实验体系能否稳定转动
模型预测得再准、假说推演得再完整,最终都要回到证据。无界进化的另一半“答案”在实验台上。据36氪报道,公司搭建了一套覆盖细胞培养、扰动和多组学检测的自动化实验体系。在模型挑出更值得验证的方向、完成实验检验预测并产生新数据后,新数据会再用于改进模型。
这其实是AI4S企业反复提及的“干湿闭环”。其难点在于稳定转动,因为实验通量、数据标准化或任何一个环节出问题,模型都有可能无法达成预期成果。无界进化的应对方式是,把实验体系和数据管理一起做:前端用自动化设备提高通量,后端用统一的数据与研究产物管理机制,再把每次实验的结果接回模型。
这一设计与前述1000倍数据缺口形成了直接呼应。如果公开数据确实远不足以训练可靠的扰动预测模型,那么谁能持续、标准化地生产有因果意义的实验数据,谁就掌握了更稀缺的生产资料。但自建自动化实验体系意味着资本开支和运营复杂度显著上升,对于一家刚完成Pre-A轮的公司而言,如何在有限资金下把实验通量提升到足以反哺模型的程度,是比模型刷分更现实的考验。公司联合创始人赵亚龙提到,本轮融资将主要用于基础大模型研发、高通量自动化干湿闭环体系扩容和产业生态建设,但未披露实验体系的具体通量规模、设备数量或数据产出速率。
自动化实验体系能否稳定转动,还取决于一个容易被忽略的约束:多组学检测环节的标准化程度。细胞培养和扰动步骤可以通过自动化设备提高通量,但转录组、蛋白组或代谢组等不同组学的样本制备流程、质控标准和数据格式差异较大。如果后端数据管理机制不能把不同组学来源的实验结果统一到同一语义体系下,模型接收到的反馈数据就可能存在系统性的批次偏差。公司通稿称其搭建了覆盖细胞培养、扰动和多组学检测的自动化实验体系,但未说明多组学数据如何统一标注、质控和入库,这一环节的工程复杂度可能高于前端设备投入本身。
从公开基准到临床样本,验证路径的难度逐级上升
无界进化在商业化验证上选择了一条从公开基准向临床场景延伸的路径。据公司方面表示,公司已参与由北京大学第一医院牵头的“肝胆胰肿瘤类器官培养与智慧诊疗北京市重点实验室”共建,希望将虚拟细胞能力接入患者来源的类器官样本,让AI预测与真实样本上的实验结果相互校正。公司方面称:“这或许比在公开数据集上刷分要慢,却是虚拟细胞进入药物研发一线的必经之路。”
这一合作的意义在于,它把无界进化的模型从公开的单细胞扰动数据集,推向了患者来源的复杂生物系统。类器官样本的异质性、培养条件的批次差异、临床终点的定义模糊性,都远高于标准化细胞系实验。如果模型能在这一场景中保持预测稳定性,其产业价值将显著提升;反之,如果预测能力在真实样本上明显衰减,则说明当前模型学到的可能更多是数据集的统计规律,而非可迁移的生物学机制。本次来源未披露该合作的具体进展、样本规模或预测准确率数据,因此其验证效果仍待观察。
晶泰科技的产业背景为无界进化提供了另一层支撑。据36氪报道,晶泰科技在分子设计、自动化合成及药物管线上的积累,使“分子生成—细胞响应预测—湿实验验证”有可能在同一体系内衔接,也使得模型能从研发早期就面对真实管线,而非只是公开基准。这一协同逻辑在纸面上成立,但能否转化为实际管线数据回流,取决于晶泰科技与无界进化之间的数据共享机制和商业安排,本次来源未披露相关细节。
从标准化细胞系到患者来源类器官,数据分布迁移带来的挑战不只是预测准确率下降,还包括标签定义的变化。公开单细胞扰动基准通常以明确的基因扰动或药物处理作为输入,以转录组变化作为输出标签;而临床合作场景中的类器官样本,其扰动条件、患者基线状态和疗效判定标准都更接近真实临床问题,训练时使用的监督信号可能无法直接对应。因此,无界进化与北京大学第一医院共建实验室的价值,可能首先体现在帮助公司定义一套适用于患者来源样本的预测任务和评估口径,而非立即产出可量化的性能指标。本次来源未披露双方在任务定义、数据归属和成果发表上的具体安排,这些制度性细节将影响合作能否持续产生可复用的训练数据。
资本结构显示产业资本与财务资本共同下注,但估值与条款未公开
本轮投资方组合值得拆解。星连资本、Prosperity7、华盖资本、华控基金、德同资本联合投资,老股东顺为资本、红杉中国、松禾资本追加。Prosperity7作为沙特阿美旗下的风险投资机构,其参与意味着无界进化进入了国际产业资本的视野;红杉中国与顺为资本的追加,则表明早期股东在半年内连续两轮加注。据36氪报道,这是公司在半年内完成的第二笔融资。背景资料显示,公司曾于2026年6月完成数千万元天使轮融资,但该信息来自较早的背景来源,仅作历史背景参考。
不过,本轮融资的精确金额、估值、股权稀释比例和交易条款均未披露。“超亿元”是一个宽泛的表述,无法判断实际到账规模与公司资金消耗速度的匹配关系。对于一家需要自建自动化实验体系、同时推进基础模型研发的公司而言,资金使用效率将直接决定其在下一轮融资前的生存窗口。联合创始人赖力鹏表示:“药物研发的尺度,既在于分子工程的精度,也在于人类对复杂生命与疾病机制理解的深度。我们希望把海量生物学数据、大模型与自进化方法耦合起来,提升创新药研发的确定性。”这一表述勾勒了公司的长期愿景,但未涉及具体的商业化时间表或收入预期。
本轮投资方组合中,Prosperity7的参与还带来一层地缘产业含义。作为沙特阿美旗下的风险投资机构,其投资逻辑通常与母公司在能源、材料和生命科学领域的长期产业布局相关。如果Prosperity7后续为无界进化引入中东地区的医疗健康或生物技术合作资源,可能帮助公司打开不同于国内药企的验证场景;但这也意味着公司需要同时管理不同地区的数据合规要求和样本跨境流动限制。本次来源未披露Prosperity7在本轮中的具体出资比例、是否获得董事会席位或是否存在战略合作条款,因此其参与目前更应被视为一种资本信号,而非已落地的产业协同。
数据缺口是行业共识,但“谁能补上缺口”尚无定论
回到开篇的1000倍数据缺口。这一数字来自研报测算,其统计口径和计算方式在本次来源中未展开,但它指向的行业瓶颈是明确的:高质量、带标记的扰动数据严重不足,阴性结果尤其稀缺。这意味着,虚拟细胞赛道的竞争重心正在从“谁的模型更聪明”转向“谁能把预测更快送回湿实验验证”。
无界进化的策略是同时押注模型、假说引擎和自动化实验体系,试图以RSD机制把三者串成一个自增强循环。这一策略的完整性和逻辑自洽性,在本次披露的同类公司中相对突出。但它的风险同样集中:三个环节中任何一个未能达到可用的稳定状态,整个闭环就无法转动。更关键的是,目前公司披露的领先评测成绩均来自公开基准或Agent基准,尚无来自真实药物研发管线或临床合作场景的独立验证数据。从公开基准到产业价值之间,隔着数据分布迁移、实验可重复性和商业客户付费意愿等多重考验。
从已披露的信息看,无界进化具备一个清晰的产业出身、一套逻辑完整的干湿闭环设计,以及一批愿意连续下注的机构投资者。但从Pre-A轮到证明虚拟细胞能在真实药物研发中产生可量化的决策价值,中间仍有相当长的验证路径。本轮融资解决了“继续跑下去”的资金问题,尚未回答“跑的方向是否通向可商业化的终点”。公司官网、总部、成立年份与创始人完整名单在已读取来源中均未明确披露,这也为外部评估其团队完整性和运营透明度留下了信息空白。
1000倍数据缺口的测算虽然未公开口径,但它指向的竞争含义是:谁能以更低成本持续生产带标记的扰动数据,谁就能在模型迭代速度上形成复利。无界进化选择自建自动化实验体系,意味着它把数据生产环节内部化,理论上可以绕过公开数据中阴性结果稀缺的问题。但这一策略的前提是,自有实验产生的数据量能在合理时间内超过公开数据集的增量,否则自建体系的固定成本反而会拖累模型迭代。公司联合创始人赵亚龙提到本轮融资将用于高通量自动化干湿闭环体系扩容,但未给出扩容后的目标通量或数据产出速率,因此其数据生产复利能否跑赢公开数据集的自然增长,仍是一个待验证的假设。
RecodeX 极客视:虚拟细胞的真正对手不是同行模型,而是那1000倍的数据缺口和实验室里沉默的阴性结果。无界进化把融资押在干湿闭环上,方向比刷分更接近产业真相,但闭环能否稳定转动,取决于实验通量、数据标准化和临床验证三件事能否在资金耗尽前同时成立。在公开基准上的领先只是入场券,患者来源样本上的预测稳定性才是真正的考题。
信息来源
本文在采集与核验阶段引用了以下公开来源,按站点去重列出;来源内容归原发布方所有,其口径不代表 RecodeX 的核实结论。
