上海药物所团队在第三届世界科学智能大赛中斩获佳绩----中国科学院上海药物研究所

上海药物所团队在第三届世界科学智能大赛中斩获佳绩

2025年7月25日，第三届世界科学智能大赛总决赛于上海科学智能研究院举办。作为科学智能（AI for Science）领域的全球前沿旗舰赛事，本届大赛以“更产业、更年轻、更开放”为目标，设置航空安全、材料设计、合成生物、创新药、新能源五大赛道，并配有百万奖金池，吸引了来自全球近30个国家和地区的近1.6万人竞相角逐，旨在推进科学智能技术创新，挖掘顶尖创新团队，构建科学智能生态，激发科学智能发展新动能。

7月26日，在2025世界人工智能大会暨人工智能全球治理高级别会议（WAIC 2025）现场，中国科学院上海药物研究所参赛团队捷报连连，继2024年上海药物所张玮同学在物质科学赛道摘得桂冠后，今年同由上海药物所郑明月研究员指导的三支团队乘势而上，一举斩获1冠2亚的优异成绩。在“3D分子构象条件生成”材料设计赛道中，CyberForce团队（石宇琪、曾传龙）夺得一等奖，Learn2Win团队（范哲欢）荣获二等奖；在“RNA逆折叠与功能核酸设计”创新药赛道上，碱基互补配队团队（王星又、陈铭安）荣获二等奖。复旦大学校长金力，南方科技大学校长薛其坤，复旦大学高分子科学系教授、校长助理彭慧胜，复旦大学附属中山医院心内科主任、上海心血管病研究所所长葛均波等为获奖选手颁发获奖证书和奖杯。

【参赛团队方案介绍】

材料设计赛道冠军（一等奖）CyberForce团队-方案简介

CyberForce团队由上海药物所博士研究生石宇琪和硕士研究生曾传龙组成。

分子的3D结构是研究物质性质的基础。无论是药物研发、催化剂设计，还是新能源材料开发，分子的结构均决定了其物理化学性质和功能表现。然而，在许多特定领域（如新材料设计、催化剂设计等），分子结构数据的获取往往面临巨大挑战。传统实验方法受限于高昂的成本、复杂的操作流程以及有限的覆盖范围，而基于理论计算的数据生成则需要大量的计算资源和时间投入，难以满足快速发展的科研需求。因此，如何高效生成具有潜在应用价值的分子结构，成为亟待解决的关键问题之一。

扩散模型（如EDM、GeoLDM等）在三维分子生成领域已有广泛应用，然而这类方法普遍面临生成精度有限、训练与采样效率低下等问题。近年来，伴随大语言模型技术的快速发展，一系列基于一维序列的三维分子表征方法被相继提出，如ConfSeq、3DSMILES-GPT、UniGenX等。这些方法结合Transformer架构的强大建模能力，在多个三维分子建模任务中取得了领先性能。本团队在前期研究中提出了ConfSeq模型，在构象预测、无条件分子生成、形状引导的分子生成、分子表征等任务上均达到了SOTA水准。

针对本次复赛中的条件分子生成任务，CyberForce团队提出了一种新型的三维分子序列表征方法3DmolGPT，旨在将分子的三维结构高效编码为一维序列。该序列不仅包含分子的标准SMILES 表达和原子类型，还融合了三维空间坐标与目标量化性质，实现结构信息与目标属性的统一建模。团队基于GPT-2框架进行训练与生成，通过显式将目标性质嵌入输入序列，使模型在生成过程中具备性质感知能力，从而显著提升生成分子在目标属性维度上的契合度。

材料设计赛道亚军（二等奖）Learn2Win团队-方案简介

Learn2Win团队由上海药物所博士研究生范哲欢单人组队。

团队方案基于Bayesian Flow Networks（BFN）这一先进创新的生成模型框架，针对分子生成任务中的关键挑战——同时精准建模离散的原子类型和连续的原子坐标，进行了优化。相较于目前主流的扩散模型（Diffusion），BFN通过将不同模态的变量转化到参数空间并利用贝叶斯更新函数，实现了更平滑的建模过程，显著提升了对分子结构细微扰动的鲁棒性。在模型架构上，该方案采用了等变SE(3)-Transformer作为图神经网络（GNN）框架，通过注入几何等变性的归纳偏置（inductive bias），确保模型在生成过程中遵循三维空间的物理对称性（如旋转和平移不变性），这一设计使模型能够捕获真实分子的几何规律，提升了数据的利用效率。在评估阶段，团队进一步训练了一个能量预测器，用于对生成分子的能量进行快速评估，并通过与目标能量的均方误差（MSE）挑选最优模型。这一方法避免了生成时依赖耗时的量子化学计算，同时能快速验证模型训练的效果。

创新药赛道亚军（二等奖）碱基互补配队团队-方案简介

碱基互补配队团队由上海药物所博士研究生王星又、陈铭安组成。

RNA逆折叠是计算生物学中的一个核心概念，指设计特定的RNA序列，使其能够折叠成预定的目标RNA结构。这一过程与传统的RNA折叠（即从已知序列预测其结构）形成鲜明对比，因其在设计功能性RNA分子方面的广泛应用而备受关注，涉及临床医学、工业生产等多个领域。

比赛中，该团队提出一种高效的图神经网络(GNN)方案。他们将RNA结构转化为k-近邻图，通过设计物理意义明确且信息丰富的节点与边特征，全面地描述了从单个残基的局部构象到残基间的空间相互作用。

团队方案的核心优势体现在三个创新点上：第一，所有特征均被设计为旋转平移不变特征。这一关键处理使得模型无需在训练中学习复杂的三维空间变换，从而极大地降低了对数据量的依赖。对于规模有限的竞赛数据集，这能让模型更高效地收敛，并专注于学习RNA结构与序列之间的内在生物学规律，而非通用的几何学知识。第二，引入一个关键的辅助学习任务。在训练过程中，模型不仅需要完成主任务，还需同时预测每条图边上两个残基碱基之间的距离。该距离是判断碱基配对与碱基堆叠等核心二级结构的决定性指标。此多任务学习策略能有效引导模型去关注并理解这些对RNA功能至关重要的空间构象，从而生成对逆折叠任务信息量更丰富的特征表示。第三，采用K-Fold交叉验证与模型集成策略以确保模型的鲁棒性。考虑到生物结构数据中固有的噪声，我们将数据集划分为多个折，并在不同的数据子集上独立训练出多个模型。最终，通过投票方式集成了所有模型的预测结果，有效避免了模型对特定样本或噪声的过拟合，确保在未知数据上也能取得可靠、优越的性能。

【导师寄语】

“首先祝贺同学们取得佳绩！这份成绩离不开大家的努力，也得益于实验室老一辈院士和科研前辈们留下的宝贵精神财富。希望你们能传承他们严谨求实、潜心钻研的作风，在AI药物设计这条路上持续学习、勇于攻坚。我们药物发现与设计中心的深厚积淀，是前辈们用智慧和汗水浇灌的，你们如今的每一步突破，都是在延续这份责任与担当。未来道阻且长，保持这份初心，继续沉下心来做研究，争取在药物发现的道路上走得更稳、更远。”

——上海药物所郑明月研究员