Das von Tsinghua AIR inkubierte AI4S-Unternehmen „Aifei Zhiyao“ erhielt eine Angel-Finanzierung im 100-Millionen-Yuan-Bereich | Exklusive Erstveröffentlichung von 36Kr

Text | Hu Xiangyun

Redaktion | Hai Ruojing

36Kr erfuhr, dass „Aifei Zhiyao“, ein Unternehmen mit Positionierung als KI-Natives Unternehmen für neue Wirkstoffforschung, kürzlich eine Angel-Finanzierung im Wert von mehreren hundert Millionen Yuan abgeschlossen hat. Diese Finanzierungsrunde wurde von Xianghe Capital angeführt, gefolgt von Institutionen wie Xinglian Capital unter der Dachmarke Zhipu und einem bekannten branchenweiten Fonds.

Wie bekannt ist, wird das eingeworbene Kapital hauptsächlich für die Forschungs- und Entwicklungsiteration von grundlegenden Wirkstoffmodellen wie dem selbst entwickelten DrugCLIP und der intelligenten Engine für KI-Wirkstoffforschung PharmAgents verwendet, zudem wird die Erforschung von Technologien für die nächste Generation der KI-Wirkstoffforschung sowie die Weiterentwicklung von eigenständigen oder kooperativen innovativen Wirkstoffpipelines vorangetrieben. Derzeit ist die am weitesten fortgeschrittene selbst entwickelte Pipeline des Unternehmens in die Pre-PCC-Phase eingetreten.

Darüber hinaus verfolgt Aifei Zhiyao im kommerziellen Bereich hauptsächlich das Co-Development-Modell (gemeinsame Entwicklung) und nicht reine KI-Technologiedienstleistungen. Nach Angaben des Unternehmens hat es mit mehr als fünf Pharmakonzernen und Biotech-Unternehmen gemeinsame Entwicklungsprojekte für die Entdeckung innovativer Wirkstoffe in Bereichen wie Stoffwechsel, ZNS, Autoimmunität und Wirkstoffverabreichung durchgeführt, wobei die Zusammenarbeit verschiedene Wirkstoffmodalitäten wie kleine Moleküle und Peptide abdeckt.

Aifei Zhiyao wurde offiziell im Juli 2026 gegründet und ist ein Spin-off aus der Arbeitsgruppe von Professor LAN Yanyan und Akademiker ZHANG Yaqin am Institut für Intelligente Industrien der Tsinghua-Universität (AIR). Gao Bowen, ein Kernmitglied des Teams, konzentrierte sich zuvor auf die interdisziplinäre Forschung zwischen KI und Grundlagenwissenschaften, arbeitete an Empfehlungsalgorithmen bei ByteDance, kehrte 2022 zum Tsinghua AIR zurück, um dort zu promovieren, veröffentlichte mehrere Arbeiten auf renommierten akademischen Konferenzen und war als Mit-Erstautor an einer Veröffentlichung in der Fachzeitschrift *Science* beteiligt.

Gao Bowen erläuterte, dass Aifei Zhiyao zwar einen „sehr starken KI-Hintergrund“ hat, das Team aber großen Wert auf die Integration in reale Szenarien der neuen Wirkstoffforschung legt, um zu vermeiden, dass KI-Technologien von der praktischen Umsetzung im Labor abgekoppelt werden. Derzeit verfügt das Team über einen Forschungs- und Entwicklungsleiter mit Hintergrund in medizinischer Chemie und Strukturbiologie, der Leiter für Geschäftskooperationen verfügt über fast 20 Jahre Erfahrung in der pharmazeutischen Industrie und hat die Markteinführung mehrerer Wirkstoffe in die klinischen Phasen II und III vorangetrieben.

„Wir haben unsere Teamstruktur schon in der frühen Phase so aufgebaut, weil wir das traditionelle Staffelmuster ablehnen wollen, bei dem „KI die Berechnungen durchführt, die Ergebnisse an die pharmazeutische Chemie weitergibt und diese wiederum an die Biologie übergibt“. Stattdessen sollen die Forscher in allen Bereichen vom ersten Tag an in einen geschlossenen Kreislauf aus kooperativer Arbeit und Entscheidungsfindung einbezogen werden, um ein echtes KI-Natives System für die neue Wirkstoffforschung aufzubauen, bei dem KI die zentrale Produktivkraft darstellt“, erklärte Gao Bowen.

In dem traditionellen Pharmamodell wird KI hauptsächlich als Werkzeug-Plugin in die Forschungs- und Entwicklungs kette integriert. Dies liegt daran, dass Unternehmen ihre Geschäftsbereiche in der Regel auf organisatorischer Ebene nach Molekülmodalitäten und Krankheitsgebieten aufteilen. Bei Bedarf baut jeder Geschäftsbereich seine eigene KI-Fähigkeit unabhängig auf. Zum Beispiel werden bei Problemen im molekularen Design Modelle zur Molekülgenerierung entwickelt, bei der Vorhersage der Arzneimitteltauglichkeit entsprechende Vorhersagemodelle erstellt – die KI-Technologien verschiedener Geschäftsbereiche lassen sich kaum austauschen.

„Die Logik von AI Native ist jedoch umgekehrt“. Gao Bowen ist der Ansicht, dass wenn KI wirklich zu einer grundlegenden Kernkompetenz des Unternehmens werden soll, „alle Geschäftsaktivitäten sich von KI aus nach außen erstrecken“ müssen. Dazu müssen Organisationsstruktur, Forschungs- und Entwicklungsabläufe sowie die Muster der Mensch-Maschine-Kooperation neu gestaltet werden, wobei KI an der Beantwortung grundlegender Fragen beteiligt ist, wie welche Experimente durchgeführt werden, welche experimentellen Daten erzeugt werden und wie Berechnungen mit Nasslabor-Experimenten verbunden werden können.

Bei Aifei Zhiyao funktioniert dieses System mit drei Ebenen von KI-Fähigkeiten: „Erkundung“, „Entscheidung“ und „Lernen und Weiterentwicklung“:

Zuerst die Erkundungsebene: Hier wird KI genutzt, um die bestehenden kognitiven und rechnerischen Grenzen des Menschen zu durchbrechen und den riesigen Raum der Wirkstoffforschung zu erschließen, der mit traditionellen Mitteln kaum erreichbar ist. Auf der Entscheidungsebene muss KI angesichts der großen Unsicherheiten in der Wirkstoffforschung kontinuierlich die nächsten Schritte bestimmen und die Experimente auswählen, die praktisch umgesetzt werden sollen, sowie die Daten, die erzeugt werden müssen. Auf der Ebene des Lernens und der Weiterentwicklung werden kontinuierlich Rückmeldungen aus realen Nasslabor-Experimenten und von Experten aufgenommen, um das gesamte System schrittweise zu optimieren. Die drei Ebenen sind eng miteinander verknüpft, sodass KI aus der Rolle eines reinen Werkzeugs heraustreten und den gesamten Prozess der Entdeckung neuer Wirkstoffe tiefgehend begleiten kann.

Auf der Grundlage dieses Systems hat das Team von Aifei Zhiyao zuerst mehrere Grundmodelle als technische Basis entwickelt, angeführt von dem Hochdurchsatz-Modell für virtuelle Screening namens DrugCLIP, um die Fähigkeiten des Teams im Bereich „Erkundung“ zu unterstützen.

Gao Bowen erläuterte, dass der Kern von DrugCLIP darin besteht, mit KI einen hochdimensionalen Darstellungsraum zu erstellen, in dem Proteine und Moleküle gemeinsam existieren – vergleichbar mit einem „chemischen Universum“. Beim traditionellen virtuellen Screening müssen Proteine und Kandidatenmoleküle einzeln ausgerichtet und berechnet werden, was bei Verbindungskatalogen im Umfang von zehn Milliarden oder Billionen von Molekülen zu einem explosionsartigen Anstieg der Rechenkosten führt. Daher verfolgt DrugCLIP diesen Weg nicht, sondern verwendet eine Zwei-Turm-Architektur für kontrastives Lernen, um Proteintaschen und kleine Moleküle in diesen hochdimensionalen Darstellungsraum abzubilden. Wenn neue Zielstrukturen vorliegen, müssen Wissenschaftler nur die Koordinaten der Proteintasche in diesem Raum ausgeben und die Moleküle mit der geringsten räumlichen Entfernung abrufen, um das Screening abzuschließen – ohne dass riesige Mengen an Molekülen einzeln berechnet werden müssen.

„Auf der Grundlage dieses Modells können wir virtuelles Screening im Maßstab des menschlichen Genoms durchführen. Ein einziger Server kann an einem Tag 10 Billionen Berechnungen von Protein-Molekül-Paaren durchführen und sekundenschnelles Abrufen von Verbindungskatalogen im Umfang von Billionen von Molekülen unterstützen. Nach unseren praktischen Erfahrungen liegt die Trefferquote bei einigen optimierten Zielstrukturen bei 60 % bis 80 %, sodass ohne nachfolgende Modifikation direkt hochaktive Moleküle im nanomolaren oder sogar picomolaren Bereich in einem einzigen Durchgang gescreent werden können.“

Auf der Grundlage der Erkundungsfähigkeit von DrugCLIP hat das Team von Aifei Zhiyao zudem die intelligente Engine für die Wirkstoffentdeckung PharmAgents aufgebaut, um die Fähigkeiten auf der „Entscheidungsebene“ zu ergänzen.

Nicht nur das frühe Screening von Molekülen, sondern der gesamte Prozess der neuen Wirkstoffforschung ist durch eine Vielzahl komplexer Entscheidungen geprägt: Zum Beispiel welche Moleküle nach dem Screening zuerst validiert werden? Welchen Beweisen wird vertraut, wenn die experimentellen Ergebnisse von den Erwartungen abweichen? Wie muss man Aktivität, Selektivität und pharmakokinetische Eigenschaften gegeneinander abwägen? Diese Entscheidungsprozesse erfordern die Integration von Informationen aus verschiedenen Quellen wie Fachliteratur, Patenten, Modellausgaben, experimentellen Daten und Erfahrungen von Experten – wobei diese Informationen oft unvollständig oder sogar widersprüchlich sind.

Im Unterschied zu einigen auf dem Markt verfügbaren Agenten, die nur den menschlichen Forschungsprozess nachahmen können, besteht die Kernfähigkeit von PharmAgents darin, widersprüchliche und unvollständige Beweise aus verschiedenen Quellen umfassend zu verarbeiten, dann selbstständig verschiedene professionelle Werkzeuge aufzurufen, um wissenschaftliche Hypothesen aufzustellen, und nach Erhalt neuer Informationen das Forschungs- und Entwicklungsverfahren schrittweise zu aktualisieren.

„Wir verfolgen nicht das Ziel, dass Agenten menschliche Experten vollständig ersetzen, sondern dass beide zusammenarbeiten. Denn die Erfahrungen menschlicher Experten sind selbst eine wichtige Quelle für Beweise im Entscheidungsprozess. Die von Agenten ausgegebenen Entscheidungen werden von menschlichen Experten bewertet und korrigiert – diese Rückmeldungen helfen den Agenten, kontinuierlich zu lernen und sich weiterzuentwickeln. Mit anderen Worten: Unsere Fähigkeit auf der Ebene „Lernen und Weiterentwicklung“ zeigt sich in der fortlaufenden Optimierung des gesamten Systems. Sowohl Erfolg als auch Misserfolg bei der Umsetzung werden zu Systemwissen aufgebaut, sodass das System mit zunehmender Nutzung immer leistungsfähiger wird“, erklärte Gao Bowen.

Dieses System wurde bereits in praktischen Szenarien der Wirkstoffforschung eingesetzt. Derzeit konzentriert sich die am weitesten fortgeschrittene selbst entwickelte Pipeline von Aifei Zhiyao auf ADHS (Aufmerksamkeitsdefizit-Hyperaktivitätsstörung), wobei über eine selbst entdeckte neue allosterische Tasche nach neuen Wirkmechanismen mit differenziertem Potenzial geforscht wird. Gleichzeitig arbeitet das Unternehmen mit verschiedenen wissenschaftlichen Einrichtungen wie der Fakultät für Biowissenschaften und der Pharmazeutischen Fakultät der Tsinghua-Universität, der Chinesischen Akademie für Agrarwissenschaften sowie dem Institut für Translationale Medizin der Shanghai Jiao Tong-Universität zusammen, um umfassende experimentelle Validierungen durchzuführen.

In diesem Jahr hat die Beliebtheit des AI4S-Sektors kontinuierlich zugenommen, es sind zahlreiche Startups entstanden, die sich der Pharmazie widmen. Die Bewertungsmaßstäbe der Branche werden zunehmend pragmatisch: Neben Facharbeiten und Demo-Anwendungen ist die real und reproduzierbare experimentelle Validierung zu einem der harten Kriterien für die Beurteilung des technischen Werts geworden.

Gao Bowen ist der Ansicht, dass inländische KI-Pharmazie-Unternehmen bereits zwei Entwicklungsstufen durchlaufen haben: Unternehmen der ersten Generation nutzten KI hauptsächlich, um einzelne Aufgaben in der Wirkstoffforschung zu lösen. Danach strebte die Branche danach, den gesamten Forschungs- und Entwicklungsablauf sowie den Aufbau automatisierter Labore mit KI zu unterstützen. „Heute besteht die Kernaufgabe der neueren Generation von KI-Nativen Pharmazieunternehmen wie Aifei Zhiyao darin, KI die Verantwortung für forschungsbezogene Entscheidungen zu übertragen. Traditionelle Pharmakonzerne sind mit Altlasten aus bestehenden Geschäftsaktivitäten belastet und können Organisationsstrukturen und Abläufe kaum vollständig neu gestalten. Da wir unser System von Grund auf neu aufbauen, sind wir in diesem Bereich deutlich flexibler.“