全球药物研发临床失败超 50% 源于靶点选择偏差。具备遗传学证据支撑的靶点，成药概率较传统方式提升 2.6 倍，且该优势随「变异 - 基因」归因置信度提升持续增强——归因置信度直接决定靶点证据的价值。
LINKX · GENOME × EXPOSURE WORLD MODEL · AUG 2026
从序列到表型：重构生命功能的计算范式
AI for Science · 生命世界模型 · Genome × Exposure
范式差异虚拟细胞囿于已知细胞状态的拟合，能力边界受限于既有扰动目录；LinkX 以「基因组 × 暴露」为第一性输入，直接计算序列与环境交互后的功能输出与表型走向，在计算维度打通序列到表型的完整闭环。
核心实证盲测回测显示：12 个核心靶点中，75% 获后续独立成药性验证，50% 进入临床证据阶段。靶点发现是该体系首个完成验证、商业价值的落地出口。
GENOME × EXPOSURE → FUNCTION → PHENOTYPE
02 THE BOTTLENECK
靶点发现是
药物研发核心瓶颈
靶点发现是药物研发最上游、价值最高的环节，立项判定所需的功能证据，正是 LinkX 能力链 的直接输出。而这一环节恰恰被三大结构性问题锁死，构成当前研发的效率天花板。
传统靶点发现高度依赖自然样本：需依托人群缺失突变、病人组织功能图谱方可启动立项，行业内成熟靶点长期稀缺，大多依赖偶然发现与验证。
基因组 90% 以上为非编码区，私有突变、剪接调控、lncRNA 等领域因缺乏功能证据，无法进入研发管线，大量潜在成药价值尚未释放。
数据来源：Minikel EV, Painter JL, Dong CC & Nelson MR. Nature 629, 624–629 (2024). doi:10.1038/s41586-024-07316-0。
03 THE PARADIGM SHIFT
序列第一性原理的
范式突破
核心变革：先计算预判，后实验验证。传统靶点立项遵循「先获取功能证据，后启动研发」的跟随逻辑，基于观测数据训练的模型也受同样限制：只能判断已经被实验测量过的对象，无法超出已知边界。LinkX 重构底层规则：碱基扰动后的 RNA 调控效应，可先通过计算完成预判，再经实验验证落地。功能可预测性是方法学换代的核心标志。
三大传统前提对应三项技术突破 PARADIGM COMPARISON
| 传统立项前提 | 传统模式边界 | 技术突破 | 商业价值 |
|---|---|---|---|
| 依赖人群自然缺失突变 | 仅能针对有天然携带者、表型可测的少数基因立项 | 支持任意 DNA 序列输入，不依赖人群天然样本 | 私有突变、深内含子和编辑产物也能先给出分子功能与实验优先级 |
| 依赖病人组织图谱测序 | 跨器官、跨病种研发成本极高 | 序列为第一性输入，换病种仅需切换场景语境 | 图谱构建前即可预判序列价值，降低试错成本 |
| 依赖细胞 / 队列 QTL 证据 | 私有突变、深内含子、编辑序列为盲区 | 可对任意 DNA 序列完成功能预判 | 罕见病、碱基编辑产物可在合成前完成评估 |
技术边界说明：纯序列输入存在语境依赖上限，同一序列在不同细胞中的功能输出存在差异。体系内同步配置细胞与组织语境模型及跨模型交叉验证机制；序列为第一性输入，而非唯一输入。
04 THE CAPABILITY MAP
基因组 × 暴露：
一条完整的功能计算链
疾病风险并非仅由细胞自身状态决定，而是基因组与环境暴露长期相互作用的结果。LinkX 体系分为输入、功能、决策、表型四层架构，形成了从任意序列到表型走向的完整计算链路。
- 输入层任意 DNA 序列
不依赖人群天然样本，无携带者的位点、深内含子区域、人工编辑序列均可作为输入。
→ - 输入层外部暴露与环境扰动
将暴露与环境作为与序列并列的第一性输入，覆盖细胞外因素导致的疾病风险来源。
→ - 功能层多模态调控功能读出
可在细胞与组织的特定语境下，输出基因表达、剪接、染色质可及性、转录因子结合、甲基化及三维互作等多维度结果。
→ - 功能层代谢与蛋白互作
在调控层预测的基础上，进一步延伸至代谢与蛋白互作层面，补全从功能到表型的完整机制链条。
→ - 决策层可审计证据包
支持证据、反证与不确定性并列输出，附实验优先级与决策标准，可在 NDA 下复核。
→ - 表型层表型走向与干预点
由功能推及表型，并反向定位可干预节点，是该体系的终局形态。
与既有世界模型路线的差异 WORLD MODEL COMPARISON
| 对比维度 | 虚拟细胞 / 扰动图谱路线 | 序列语言模型路线 | LinkX |
|---|---|---|---|
| 建模对象 | 细胞状态 | 序列自身的语法 | 序列与环境交互后的功能 |
| 输入边界 | 已观测的扰动目录 | 任意序列 | 任意序列 × 暴露与环境 |
| 核心输出 | 细胞表型 | 序列似然与生成 | 多模态功能读出，并延伸至表型 |
| 天然样本依赖 | 需先有扰动实验 | 无 | 无 |
| 机制可解释性 | 多以嵌入表示 | 多以嵌入表示 | 40 类功能词表与三层语法 |
| 可审计交付物 | 未见对外标准化 | 未见对外标准化 | 证据包：支持证据、反证与不确定性 |
对比口径说明：上表按技术路线分类，不指向具体公司；各路线特征依其公开表述归纳，不含未公开信息。
05 MODEL PRODUCTION SYSTEM
可迭代的
模型生产体系
核心壁垒并非单点模型，而是可规模化、可持续迭代的模型生产工程体系。
在上海人工智能实验室发布的 CENO 公开基准测试中，OmniReg-GPT 在三个疾病分组的 ClinVar F1 指标上均位列第一，技术能力获国际学界验证。
以自研智能体自动化完成模型微调与迭代，垂类模型 MAE 降幅超 90%，具备持续产出世界级模型的工程化能力。
核心竞争力并非单一模型，而是可规模化复制、可持续迭代的模型生产体系，保障长期技术领先性。
#01OmniReg-GPTSOTA · ALL 3 GROUPS
#02GPN
#03Grover
#04NTv3-100M
#05CENO-1B-base
#06HyenaDNA-Large-1M
#07Evo2 40B
#08CENO-1B-1m
#09Evo2 40B base
#10CENO-1B-131k
Source: CENO: A Genome-Scale World Model for Evolutionary Sequence Interpretation and Programmable Regulatory Design — Technical Report, Shanghai Artificial Intelligence Laboratory (2026), Supplementary Fig. S5b. Zero-shot ClinVar F1 grouped by clinical category; comparison scope limited to the models displayed in that figure.
用 AI 创造 AI：自主构建微调模型使 ATAC 任务误差下降 90% 以上
Agent 自动完成「建模→预测→外部验证→生成训练信号→微调下一版模型」全流程，人工仅设定证据边界与决策门槛。在人类细胞系 K562 上，首版自动微调模型，在完全独立留出的染色体测试集上，表现已显著优于原始基准模型。
- Frozen model→
- Leakage-aware split→
- Predict→
- Candidates→
- External validation→
- Fine-tune→
- Frozen benchmark↺
| 指标（frozen chr8 · n = 2,520） | 基准模型 | Fine-tune V0 | 变化幅度 |
|---|---|---|---|
| ATAC · MAE | 5.947 | 0.482 | −91.9% |
| ATAC · R² | −182.8 | 0.469 | 由负转正 |
| ATAC · Pearson | 0.658 | 0.690 | +0.032 |
| H3K27ac · RMSE | 4.972 | 4.433 | −10.8% |
| H3K27ac · R² | 0.122 | 0.302 | +0.180 |
本案例数据与微调基础设施来自已发表的 DeepGeSeq（Bioinformatics, 2026）。
六项自研模型成果 PUBLISHED TRACK RECORD
相关成果已于顶刊发表，
实现序列到功能世界模型全栈布局
团队成员均为相关成果的第一作者与通讯作者。
2022 · Nature GeneticsNvwa
- 核心成果
- 全球首个单细胞分辨率的序列到表达深度学习模型；AUROC 0.78 / AUPR 0.59，跨 8 个物种验证，测试基因在训练期间完全未见过。
- 体系定位
- 跨物种「序列→细胞状态」基座模型，为 S2F 系统提供细胞语境下的功能读出基础。
2023 · Nature CommunicationsHuatuo
- 核心成果
- 首个在细胞类型 × 单核苷酸双分辨率下解码调控遗传变异的统一框架；覆盖 20 种组织、44 类细胞、13,182 个候选细胞类型特异调控变异。
- 体系定位
- 承担「信号作用的细胞 / 组织语境判定」功能，是系统机制归因的核心环节。
2025 · Nature CommunicationsOmniReg-GPT
- 核心成果
- 外部基准测试中，三项疾病分组 ClinVar F1 均列第一（CENO 报告）；跨全部 ClinVar 任务的 family-level 综合分首位为 CENO-1B。
- 体系定位
- 主力前沿 S2F 模型，承担候选压缩环节的功能证据打分，同时作为 Model + Agent 基准的基线模型。
2026 · BioinformaticsDeepGeSeq
- 核心成果
- 首个内置智能体技能、支持全自然语言交互的基因组深度学习库；经 pipeline 验证、已发表模型复现与用户数据微调系统验证。
- 体系定位
- 模型工厂执行层，可面向疾病、组织与客户语境快速生成与适配专项模型。
2026 · bioRxiv PreprintHERMES
- 核心成果
- 迄今规模最大的 sequence-to-function 模型；将海量功能观测总结为 40 个 sequence classes 的可解释功能词表。
- 体系定位
- Scaling 路线关键节点；40 类功能词表是机制假设可解释性的核心来源。
2026 · bioRxiv PreprintS2F Agent
- 核心成果
- 首个专为 S2F 建模设计的 skill-grounded 智能体；统一编排 11 个 SOTA 模型（含 AlphaGenome、Borzoi、Evo 2），并通过 routing 与 groundedness 评测验证。
- 体系定位
- 引擎区 S2F Agent 的公开学术版本，实现将模型广度收敛为单一任务判断精度。
06 S2F AGENT
S2F Agent：
多智能体协同的功能预测
实验室里的 SOTA 模型，落地到真实研发场景往往会出现效果折损；我们通过多智能体协同编排，将多模型的能力广度收敛为可复现、可落地的精准任务判断。
同一基准下性能超越 AlphaGenome
在冻结的 CAD 基准上，结构化 Agent 相对验证集锁定的最优单模型，Δ macro Spearman 达 +0.3282（95% CI 0.0861–0.4639），达到预设决策门槛；所有对比项均在相同数据划分、相同标签、相同指标下完成评测。
S2F Agent结构化智能体
0.215
GPN单模型
-0.089
AlphaGenome-RNA | single tissue单组织配置（验证集选中）
0.036
AlphaGenome-REG | best assay最优分析配置（验证集选中）
0.075
AlphaGenome-RNA | all tissues全组织单模型汇总
0.149
AlphaGenome-REG | all assays全分析最强单模型
0.175
+77.8pp
54 组配对案例测试中，S2F Agent 通过率 100%，GPT-5.5 通用 Agent 通过率为 22.22%；McNemar 检验 p = 4.55e-13。
| 测试维度 | S2F Agent | GPT-5.5 | 差值 |
|---|---|---|---|
| Routing | 100.00% (23/23) | 21.74% (5/23) | +0.783 |
| Groundedness | 100.00% (8/8) | 0.00% (0/8) | +1.000 |
| Task success | 100.00% (23/23) | 30.43% (7/23) | +0.696 |
| 整体表现 | 100.00% (54/54) | 22.22% (12/54) | +0.778 |
垂直场景成功率显著领先通用型智能体。公开学术版本：S2F Agent 预印本（bioRxiv, 2026）。
07 THE CASE
核心案例CAD 靶点回测：
CAD 靶点回测：
全流程盲测设计与实证结果
以 Aragam 等于 2022 年 12 月 6 日发表于 Nature Genetics 的百万样本 CAD 研究（PMID 36474045，GWAS Catalog 编号 GCST90132314）为时间零点。源研究覆盖 181,522 例病例、1,165,690 名参与者，结果数据冻结于 2026 年 8 月 17 日。
选择冠心病作为验证场景，核心原因是其遗传数据完备、临床证据充分，验证结果具备行业公信力，是行业内公认最适合做证伪验证的标杆病种。
以 2022 年 12 月为时间节点，完全屏蔽节点后的研究数据；新颖性判定排除源研究自身成果，全流程无信息泄漏，是真正意义上的事后盲测验证。
从原始序列出发，经多轮层层筛选，从万级遗传变异中锁定 12 个高置信核心靶点。
盲测规则规则前置冻结
排序规则前置冻结，全流程无信息泄漏
本回测为严格后验验证，四项规则在结果生成前已全部冻结：所有方法在同一 557 变异 / 154 位点池内排序；复核预算 K = 51 / 37 在结果可见前锁定；新颖性判定排除源研究自身数据；显著性检验采用 5,000 次位点聚类 bootstrap。提前冻结所有规则，核心是为了避免「筛选规则适配已知结果」的过拟合问题，确保验证结果真实可信。
- 时间零点 2022-12-06→
- 排除源研究数据→
- 统一 557 / 154 排序池→
- 冻结预算 K = 51 / 37→
- 解封 2023–2026 记录→
- 位点聚类 bootstrap ×5,000↺
筛选流程压缩比 326×
16,607 → 12
- 16,607源 GWAS / S2F 变异总量
- 557进入排序环节 · 对应 154 个位点
- 51优先输出变异 · 对应 37 个位点
- 12最终核心靶点
同预算增益 · 相对纯 PIP 排序+33.3%
冻结预算 K = 51 条件下，PIP + S2F 组合命中 16 个，纯 PIP 排序命中 12 个；位点层面 17 个对 14 个，提升 21.4%。同等实验预算下命中数更高，直接对应客户的实际采购价值。
35 / 51
这些优先变异，在源研究发表前均未被明确证实与冠心病相关。其中 31 个（88.6%）至少具备一类额外证据，12 个至少具备两类。四类证据并非全部统计独立，因此为「多证据支持」，而非「多次独立验证」。
实证结果：75% 靶点获成药性验证 DRUGGABILITY AUDIT
12 个核心靶点包含 9 个进入成药性审计靶点 + 3 个 biology-first 靶点，75% 与 50% 占比均以 12 为分母计算。
实证结果TIER A–D
75% 靶点获独立成药性验证。12 个盲测筛选的核心靶点中，75% 在 2022 年后被独立研究验证具备成药性，50% 已进入临床证据阶段，准确率显著优于传统遗传学筛选方法。
传统方法盲区靶点被率先识别。多个传统方法无证据支撑的靶点，被 LinkX 率先识别并验证。以 SORT1 为例，其在行业标准数据库中成药性标注为零，但审计口径下已有 Phase 3 阶段抗体药物，充分体现「先算后验」范式的突破价值。
全流程可追溯、可复现。部分已验证靶点可披露名称，逐变异状态、全排序指标与输入哈希均保留在可复现证据包中，可在 NDA 协议下开放复核。
75%
核心靶点已验证成药性（9 / 12）
50%
已有临床或批准药物（6 / 12）
可披露的 9 个靶点成药性审计 DRUGGABILITY AUDIT
| 靶点 | 基因映射依据 | 成药验证 | 最高研发阶段 |
|---|---|---|---|
| PCSK9 | rs471705；GTEx 配对 | 抗体、siRNA；ASCVD / 降脂 | 已批准 |
| SORT1 | rs12740374；Open Targets mapper 综合分 0.795（High）；GTEx + L2G/coloc 双支持 | 抗 SORT1 单抗 Latozinemab（CHEMBL4650439）；另有 affibody-peptide、高质量小分子结合口袋 | Phase 3（额颞叶痴呆 FTD-GRN，非 CAD 适应证；已终止） |
| LIPA | rs1412444；Medium；GTEx + L2G/coloc | 蛋白替代药物 Sebelipase alfa | 已批准（LAL 缺乏症，非 CAD 适应证） |
| FN1 | rs1250247；Medium；源研究精确匹配 | 抗体 / 融合蛋白；ocriplasmin | Phase 3 / 已批准（非 CAD 适应证） |
| GLP1R | rs1155347；心代谢成熟靶点 | 多款 GLP-1 受体激动剂 | 已批准 |
| NOS3 | rs3918226 | Tilarginine acetate，心血管适应证 | Phase 3（已终止） |
| SCARB1 | rs7296737 / rs10846744；Medium；GTEx + L2G/coloc | 高质量配体、小分子结合剂；SR-BI 抑制剂药理机制明确 | 临床前可开发阶段 |
| ANGPTL4 | rs116843064；Medium | 配体结合结构明确、抗体可及、治疗性拮抗机制成立 | 临床前可开发阶段 |
| ABCG8 | rs4245791；Medium；源研究 + 后续研究精确匹配 | 结构明确、抗体可及 | 临床前可开发阶段 |
统计口径：前 6 个计入 50% 临床 / 已批准比例，全部 9 个计入 75% 成药性验证比例。其中 3 个靶点的适应证与 CAD 无关（SORT1 为额颞叶痴呆、LIPA 为 LAL 缺乏症、FN1 为肿瘤与眼科）。成药性验证与疾病验证为两个独立维度，行业标准口径仅审计前者，由此形成资产错定价空间。
08 BUSINESS MODEL
商业模式：
靶点授权与联合开发
核心交付：高置信靶点、完整证据链、可交易 IP。首单合作以客户既有靶点组合为对象，按统一审计标准完成重审，交付可验证的评估结论；合作门槛低、决策链路短。
商业模式
- 01客户定位
聚焦创新药企与转型中的传统药企，覆盖小分子、抗体、核酸等多模态立项需求，均为高付费能力、强需求刚性的 B 端客户。
- 02合作模式
里程碑付费 + 联合开发 + IP 授权，兼顾短期现金流与长期权益增值。
- 03交付标准
高置信靶点 + 完整成药性证据链 + 可交易 IP，直接匹配药企管线立项需求。
- 04商务进展
已与多家头部药企启动深度对接。
每条候选机制以「变异 → 分子事件 → 表型」链条呈现，并同时给出支持证据数、反证数、不确定度与决策结论。第一条为已公开的 PCSK9 机制，其余客户项目按 NDA 脱敏。
机制 #1 · 优先级 高 · 已公开
rs11591147 → 肝细胞 PCSK9 功能丧失 → PCSK9 活性 ↓ → LDL-C ↓ → ASCVD 风险 ↓
机制 #2 · 优先级 中 · 客户项目脱敏
→ 内皮细胞特异性调控失衡 → → 血管表型
09 SCENARIO EXPANSION
场景拓展：
从标杆验证到赛道复制
核心定位：一个技术底座，多个赛道出口。拓展沿两个方向同时进行：横向按疾病领域复制既有能力，纵向随能力层推进解锁新场景。
横向：四条疾病领域路径 EXPANSION PATH
| 拓展方向 | 核心内容 |
|---|---|
| CAD 标杆验证 | CAD 领域完成方法学验证与标杆案例落地，验证 Sequence-to-Function 范式的普适性。 |
| 模态无关的交付层 | 交付的是靶点功能证据与作用方向判定，可直接进入小分子、抗体、核酸等各模态的立项流程。 |
| 横向场景复用 | 可拓展至自免、罕见病、IVD 等高价值领域，底层引擎具备多场景复用能力。 |
| 平台型成长逻辑 | 公司本质为「一个技术底座，多个赛道出口」的平台型企业，成长空间高于单一管线公司。 |
纵向：能力层推进解锁的场景 CAPABILITY EXPANSION
| 能力层 | 解锁场景 |
|---|---|
| 暴露与环境层 | 复杂病与慢病的风险归因、可干预暴露识别，覆盖单靠基因组无法解释的风险份额。 |
| 代谢层 | 代谢通路层面的机制补全与作用方向判定，扩展至代谢性疾病与营养干预场景。 |
| 蛋白互作层 | 由调控读出延伸至蛋白层作用面，支持蛋白降解、互作阻断等模态的靶点评估。 |
| 表型层 | 由目标表型反向求解干预点，构成长期的干预设计与资产创制能力。 |
全模态通用卡位：锚定药物研发上游决策核心
靶点供给不足是小分子、抗体、核酸药等所有治疗模态共同的上游核心瓶颈。无论分子形态差异多大，药物立项的首要命题始终一致：目标基因是否值得干预、应当朝哪个方向干预。LinkX 核心交付恰好卡位这一共性决策层，不与任何下游模态绑定 —— 分子设计、化学修饰、递送系统属于模态专属的下游环节，上游靶点的成药性与干预方向证据具备跨模态通用性。
干预方向判定是立项成败的关键前提：降表达类核酸药（RNAi、gapmer ASO）需验证基因下调的保护作用，剪接调节、外显子跳跃等上调类模态（如 SMN 上调药物 nusinersen）则需反向验证，方向误判将直接导致项目失败。该判定传统上依赖人群队列证据，而 LinkX 可在无队列覆盖的全新位点上，直接通过计算完成方向预判。
决定项目生死的三大前置环节 —— 疾病锚定、靶点确证、方向判定 —— 全部落在序列层面，构成 LinkX 的核心作业边界；对于核酸药、碱基编辑等分子设计仍处于序列层的模态，我们的能力可进一步延伸至前端序列设计。
- 疾病锚定（S2F）→
- 靶点确证（S2F）→
- 方向判定（S2F）→
- 分子设计→
- 开发与递送→
- 临床验证
10 COMPETITIVE LANDSCAPE
差异化路线，
构建技术代际优势
同类 AI 制药公司多在传统范式内优化效率，本团队从第一性原理出发，形成技术代际差异。
本质是传统研发范式的辅助工具，无法突破原有方法的能力边界。
覆盖传统方法难以触达的非编码区、私有突变等盲区，形成技术代际领先。
不同技术路线最终都交付靶点基因；我们不参与下游分子设计的同质化竞争，而是专注深耕从变异到基因的机制归因——归因的置信度，直接决定靶点的商业价值。
竞争格局
| 核心能力 | LinkX本轮拟融资 ¥2,000 万 | insitro公开披露资本 ≈ 8 亿美元 | Relation公开披露投资 ≥ 1.01 亿美元 | Deep Genomics公开披露股权融资 ≥ 2.33 亿美元 |
|---|---|---|---|---|
| 以人类遗传学为首要发现入口 | ✓* | ✓ | ◐ | ✓ |
| 跨 DNA、RNA、蛋白、免疫序列专家模型的编排能力 | ✓* | ◐ | ◐ | — |
| 机制优先、不锁定治疗模态的开发路线 | ✓* | ✓ | ◐ | — |
| 轻资产嵌入客户现有数据与实验体系 | ✓* | — | — | — |
| 不依赖细胞 QTL 数据的功能预测覆盖 | ✓* | — | ◐ | ◐ |
| 以暴露与环境作为与序列并列的建模输入 | ◑* | — | — | — |
✓ 核心产品或对外交付◑ 在建，尚无对外可核结果◐ 部分覆盖或主要内部使用— 未公开定位为标准化核心产品
融资额来源于公开信息检索，统计截至 2026 年 8 月 16 日。同业能力标注依各家公开表述归纳。
11 TEAM
核心团队
01 FOUNDER / CEO
鲍志炜
浙江大学医学院生物信息学博士、医学信息学博士后，辅修浙江大学管理学院 BEST-MBA。曾任医疗上市公司人工智能事业部负责人，从 0 到 1 打造覆盖医疗全流程的百余个 AI 产品，落地百余家三甲医院并推动数亿元有效合同；国内最大生物信息学社区 BioLinkX 创始人。现全面负责公司建设、团队管理、融资、商业策略与客户拓展。
02 FOUNDER / CHIEF SCIENTIST · CTO
李佳琦
浙江大学本科，浙江大学医学院 AI for Science 博士、博士后，长期聚焦单细胞基因组学、序列到功能模型与可解释调控机制研究。Nvwa、Huatuo、OmniReg-GPT、DeepGeSeq 与 S2F Agent 核心作者，代表成果发表于 Nature Genetics、Nature Communications、Bioinformatics 等顶级期刊。全面负责模型科学、技术路线、评测体系与研发团队管理。
12 THE RAISE
2,000 万融资，
跑通商业闭环
本轮融资支持 12 个月运营，团队规模扩展至约 10 人。
资金用途与对应里程碑 TOTAL RMB 20M · 12 MONTHS
| 资金主线 | 明细科目 | 金额及占比 | 对应里程碑 |
|---|---|---|---|
| 模型迭代与算力投入 | 算力、云服务与数据采购 | 200 万 · 10.0% | 持续巩固 SOTA 技术地位 |
| CRO 湿实验验证与 IIT 推进 | 前瞻实验与 CRO 服务 | 480 万 · 24.0% | 夯实靶点证据链，启动 1–2 项 IIT |
| 全球 IP 布局 | IP 申请、法务与合规 | 80 万 · 4.0% | 锁定核心靶点权益，提交首批专利 |
| 商务拓展与团队建设 | 人才招聘、商务拓展与客户项目 | 830 万 · 41.5% | 落地首批商业化合作，实现首笔收入 |
| 运营保障与风险准备 | 风险准备金、产品基础设施、办公行政 | 410 万 · 20.5% | 覆盖实验延期、招聘延迟与融资周期缓冲 |
13 NEXT 6–12 MONTHS
短期里程碑：
从验证到落地
- 01完成 1–2 个核心疾病领域的靶点库扩增与回测验证
- 02落地 1–2 家头部药企商业化合作，实现首笔收入
- 03启动 1–2 项 IIT 临床验证，强化证据链
- 04持续迭代模型与智能体体系，巩固技术领先性
- 05完成首批靶点交付，跑通商业闭环
14 VISION
在 AI 时代下，
无限扩展中心法则的边界
序列是生命的第一性原理，中心法则奠定了生命信息单向编译的底层规则。面对疾病高度异质性、药效个体差异显著的行业痛点，传统「人群平均」研发范式始终无法建立序列锚定功能、机制与治疗的底层体系。我们以序列为核心原点，正向打通碱基到表型的全链路映射，反向从目标表型精准推导干预靶点，在遵循细胞信息规则的基础上，以计算闭合设计闭环，将中心法则的价值从「解释信息流动」升级为「生命可由序列重建、计算与逆向运行」。当下以靶点发现商业化验证价值，长期迈向个体基因组级精准成药，目标成为全球生命科学的底层计算基础设施。
生物学的 Scaling Law：两条曲线实现能力规模化跃迁
这一终局目标能否落地，核心取决于两条可验证、可迭代的技术曲线能否持续推进。二者共同收敛为序列到功能的底层统一语法，构成 LinkX 的技术路径。
核心逻辑：持续扩充生物序列语料规模，学习序列内在的生成语法规则。
- 语料演进路径：参考基因组 → 人群基因组 → 多物种基因组 → 宏基因组
- 上下文长度：4 kb → 20 kb → 200 kb → 1 Mb
- 参数规模：117M → 270M → 500M → 2B+，配套 compute-optimal 算力扫描
核心逻辑：持续扩充功能观测数据，沉淀「序列→功能」的精准映射规律。
- 功能图谱规模：当前 137,127 组（HERMES）→ 统一本体论下全量公共与私有观测数据
- 功能模态覆盖：表达、剪接、染色质、转录因子结合、甲基化、三维互作、单细胞、扰动实验
- 输出分辨率：窗口聚合 → 单碱基、增强子-基因关联、变异效应解析
底层三层语法体系 · 平台化能力的技术基石底层 Token 词表 功能语义词表 关系语法规则
三层语法构成完整的序列-功能语言体系，是未来成为行业基础设施的核心标准。
采用 BPE / k-mer / 单碱基 Token 体系，承载序列组合语法规则
覆盖启动子、增强子、转录因子结合、组蛋白状态等功能元件，对应 HERMES 定义的 40 类序列功能簇
定义增强子-启动子兼容性、基序-转录因子结合、变异效应方向等序列-功能映射逻辑