Genesis Therapeutics：生成式 AI 小分子设计公司

Genesis Therapeutics 从斯坦福的图神经网络研究（其创始团队与 Chemprop/D-MPNN 等工作的学术脉络相关）孵化而来，技术核心是用图神经网络做分子性质预测与生成式设计，并自建实验能力形成闭环。

技术定位

• 图神经网络的分子表示：把分子作为图处理，学习原子与键的表示（见 176《PyTorch Geometric》、006《Stanford CS224W 图神经网络》）；
• 多目标性质预测：活性、选择性、ADMET 联合建模；
• 生成式设计：在预测模型指导下生成候选分子；
• 实验闭环：自建或深度合作的湿实验能力，让模型能用自产数据迭代。

生成式小分子设计公司的共性挑战

这一类公司（包括 308《Insilico Medicine》、311《Exscientia》、324《Iambic Therapeutics》 等）面临一组共同的问题，理解它们比记住某家公司的具体技术更有价值：

「闭环慢」是小分子领域相对抗体、蛋白最本质的劣势：抗体可以一次表达测试上千个变体、周期数周；小分子一轮只能合成几十个、周期数月。这直接决定了模型能积累多少自产数据。

怎么判断这类公司/技术的成色

无论是评估合作对象还是评估自建方案，这套问题都适用：

• 看数据来源：模型训练用的是公开数据还是自产数据？自产数据的规模、标准化程度、是否包含阴性结果？
• 看闭环速度：从设计到拿到实验反馈需要多久？一轮能测多少个分子？这个数字比模型架构重要得多。
• 看合成通过率：模型产出的分子，实际能合成出来的比例是多少？
• 看评估纪律：有没有用骨架划分？有没有和 ECFP4 + 随机森林基线对比？赢不过指纹基线的复杂模型，说明问题在数据不在模型。
• 看失败案例：有多少项目没推进成功？原因是什么？只展示成功案例的必然高估。
• 看临床证据：有分子进入临床吗？临床结果如何？这是最终判据。

自建团队的务实路径

# 用开源栈能覆盖大部分能力，差异化在数据与闭环

# 1. 性质预测基线（必须先做）
#    Chemprop（174）+ 骨架划分 + 多种子集成
#    对照：ECFP4 + 随机森林
#    赢不过基线 → 回去查数据，别换模型

# 2. 生成
#    REINVENT4（221）的 LibInvent / Mol2Mol 模式
#    先导优化用受控改造，比从头生成实际得多

# 3. 护栏（决定成败）
#    SA score + 结构警报 + 相似性下限 + 不确定性约束
#    用几何平均组合，防止钻空子

# 4. 人工审查
#    mols2grid（217）批量渲染，药化专家过一遍

# 5. 闭环
#    合成 → 测活性 → 数据回流 → 重训
#    记录所有结果，包括失活的分子

第 5 步的「记录失活分子」是最容易被忽略、也最有长期价值的一步。这些数据在公开文献中不存在，是自建团队真正的差异化资产。

延伸资源

• 开源工具：174《Chemprop》、221《REINVENT4》、176《PyTorch Geometric》；
• 同类公司：308《Insilico Medicine》、311《Exscientia》、324《Iambic Therapeutics》；
• 评测纪律：169《Benchmark 陷阱》。