百图生科

1 百图生科是什么？

百图生科（英文名BioMap）成立于2020年9月25日，由百度创始人李彦宏牵头发起，是一家生物计算技术驱动的生命科学平台公司。公司的核心使命是利用高性能生物计算和多组学数据技术，加速创新药物和早筛早诊等精准生命科学产品的研发，最终实现人类百岁健康梦想。

百图生科的核心技术底座是其自主研发的生命科学基础大模型xTrimo。该模型历经迭代，最新的xTrimo V3已拥有2100亿参数，覆盖蛋白质、DNA、RNA等7大生命科学主流模态，是全球规模最大、首个实现全模态覆盖的生命科学AI基础模型之一。基于此大模型，百图生科构建了名为“生成式发现系统”的全链路AI发现平台，其核心组件是“发现助手”（Discovery Assistant），一个专为生命科学领域设计的深度探索智能体。

百图生科核心功能快览：百图生科是一个基于自有2100亿参数xTrimo大模型的生命科学研发平台。其核心是 “生成式发现系统”​ ，内置了具备深度搜索（DeepResearch）能力的 “发现助手”​ 。该平台提供从靶点识别、抗体设计到智能发酵的多层次解决方案，支持SaaS体验和私有化部署，旨在将传统研发流程从“大海捞针”变为“按图索骥”，大幅提升研发效率。

• 产品定位：并非直接面向普通消费者，而是专注于为生物制药企业、科研机构、高校实验室等B端和G端用户提供AI赋能的研发工具和平台。
• 核心功能：聚焦于生命科学研发的早期阶段，包括但不限于靶点发现、抗体序列设计与优化、酶工程、细胞分析等。
• 技术基础：深度融合了自然语言处理、深度学习、生成式AI等前沿计算技术与生物信息学、结构生物学等生命科学专业知识。
• 官方网址：百图生科的官方网站是 https://biomap.com（根据公司英文名BioMap推断的通用网址，具体以官方公布为准）。
• 关键信息列表：
  • 公司名称：百图生科
  • 英文简称：BioMap
  • 成立时间：2020年9月25日
  • 核心模型：xTrimo大模型家族（最新为xTrimo V3）
  • 核心产品：AI生命科学基础大模型驱动的生成式发现系统
  • 核心组件：发现助手（Discovery Assistant）
  • 访问方式：主要通过官方网站，提供SaaS体验版和企业级私有化部署

2 百图生科的主要功能和特点

百图生科平台的功能设计紧密围绕生命科学研发的核心痛点，其特点可概括为专业、可执行、专属三大关键词。

1. 核心AI能力：多模态大模型与生成式设计 百图生科的xTrimo大模型不仅参数规模巨大，更关键的是其融合了理解与生成两大类任务的能力。这意味着它既能像一位博学的科学家，读懂海量的蛋白质序列、结构、文献数据，洞察其背后的规律；又能像一位顶尖的设计师，根据研究人员设定的目标（如针对某个特定表位、具有高亲和力和稳定性的抗体），从头生成（De novo）全新的、合理的蛋白质序列。例如，其开源发布的xTrimoPGLM蛋白质语言模型在18项蛋白质理解与生成任务中，有15项超越了之前的业界领先模型。
2. 生成式发现系统与“发现助手” 这是百图生科2025年4月发布的最重磅产品。“发现助手”作为该系统的超级入口，其核心能力是深度搜索（DeepResearch）。它不同于简单的文献检索工具，能够理解用户复杂的科学问题（如“针对XX靶点，近期有哪些新的研究成果和潜在的药物设计策略？”），然后自动并行触发多路搜索和分析，整合权威数据库、科研文献、专利信息、百图自有知识图谱等多元信息，最终生成一份结构化的深度研究报告。据官方介绍，其在BioASQ等权威生命科学评测集上的表现优于通用AI模型。
3. 一站式平台与垂直解决方案 平台致力于覆盖研发全流程，提供从“信息搜集-生物洞察-智能实验”的闭环支持。除了通用的发现助手，百图生科还针对特定场景提供了垂直的解决方案，例如：
   • 智能抗体发现方案：采用多目标优化（MOO）策略，可在一天内完成上万条抗体序列的预测与筛选，将传统需要数月的反复实验大幅压缩。
   • 智能发酵方案：与中国农业科学院等机构合作，用于酶蛋白设计优化和发酵过程智能控制，将相关信息获取从天级缩短到分钟级。
   • 智能细胞分析系统：用于单细胞测序数据等高维生物数据的分析解读。
4. 数据驱动与持续进化 百图生科的模型能力建立在规模空前的生物数据训练基础上，并且通过持续服务客户，其平台已支撑客户取得了20余种已验证抗体/酶设计、10余个创新靶点授权等突破性成果，这些真实的反馈数据又进一步反哺模型优化，形成飞轮效应。

3 如何使用百图生科？

对于科研人员和企业用户，上手使用百图生科平台主要可以通过以下步骤实现。

3.1 访问与获取

• 官方网址：用户需要通过百图生科的官方平台（如官网 https://biomap.com）进行接触和申请。
• 获取方式：百图生科主要提供两种服务模式：
  1. SaaS体验：通常用于初步的试用和功能验证，用户可能可以在官网申请试用账号，体验“发现助手”等核心功能的基本版。
  2. 企业级私有化部署：这是最主要的商业交付模式。由于生命科学研发数据的高度敏感性，大多数企业客户倾向于将平台部署在自己的服务器或私有云上，以确保数据安全。具体流程需要与百图生科的销售和技术团队对接，进行需求评估、方案定制和部署实施。

3.2 核心操作流程

以利用“发现助手”进行一个研究课题的探索为例，流程可能如下：

1. 定义科学问题：在交互界面中，清晰地输入你的研究意图或科学问题，例如“请分析一下CD3靶点的最新研究进展和双特异性抗体设计的挑战”。
2. 触发深度搜索（DeepResearch）：“发现助手”会解析你的问题，并自动执行多维度信息检索，包括但不限于PubMed等学术数据库、专利库、临床实验登记平台以及百图内置的专业知识图谱。
3. 生成与审阅报告：系统会整合分析结果，生成一份包含研究背景、竞争格局、关键技术路径、潜在机会与挑战等章节的结构化报告。用户可高效获取全景信息，避免手动查阅海量文献的低效劳动。
4. 深入探索与设计：在获得宏观洞察后，用户可以进一步利用平台的分子生成能力。例如，针对筛选出的特定表位，设定理化性质、亲和力、免疫原性等多个优化目标，让AI生成一系列候选抗体序列。
5. 湿实验验证闭环：生成的候选序列可以导出，并通过与自动化实验平台联动的“干湿闭环”进行体外验证。验证数据反馈回AI模型，进一步优化下一轮设计，形成迭代优化循环。

3.3 获取帮助与支持

• 官方文档与教程：平台预计会提供相应的技术文档和使用指南。
• 技术支持团队：对于企业客户，百图生科会提供专属的技术支持。

4 官方网址与获取方式

• 官方网址：百图生科的主站地址推测为 https://biomap.com（基于公司英文名称的常见命名规则）。
• 模型开源地址：百图生科已将其xTrimoPGLM等模型开源在Hugging Face和GitHub上：
  • Hugging Face: https://huggingface.co/biomap-research
  • GitHub: https://github.com/biomap-research/xTrimoPGLM
• 获取方式重申：目前平台主要面向企业及机构用户，个人研究者可能可通过官网申请SaaSdemo试用，但完整功能尤其是私有化部署需联系商业合作。

5 竞品对比分析

为了更清晰地定位百图生科，我们将其与国内外其他知名AI驱动的新药研发平台进行对比。

总结对比：百图生科的独特定位在于其生命科学基础大模型的底层技术实力和平台化属性。它并非只专注于某一类分子或某一个环节，而是旨在成为一个强大的、通用的生物计算基础设施。相比之下，深势科技在基于物理原理的分子模拟方面底蕴深厚，而英矽智能则在推进AI发现的药物进入临床方面走在前列。百图生科的技术副总裁张晓明也指出，与专注于医疗问诊的平台不同，百图更专注于底层生命科学机理的探索。

6 应用场景与实际体验

百图生科的价值在多个具体研发场景中得到了体现。

• 场景一：药物早期研发与立项调研
  • 痛点：科研人员在项目初期需要阅读海量文献，信息严重过载，容易导致立项失误或方向偏差。
  • 百图生科方案：使用“发现助手”进行深度调研。
  • 实际案例：科兴生物制药公司利用百图发现助手加速早研知识挖掘，避免了立项失误。在分子设计场景中，实现了通量突破（单次生成千级候选蛋白）和周期缩短（从3个月缩短至1.5个月，其中干实验仅需1周）。
• 场景二：抗体药物设计与优化
  • 痛点：传统抗体研发耗时长、成本高，且难以同时平衡多个理化性质指标（如亲和力、稳定性、可开发性）。
  • 百图生科方案：利用其抗体发现方案的多目标优化（MOO）策略进行De novo设计。
  • 实际案例：百图生科宣称，其AI驱动的抗体从头设计能够针对“不可成药”靶点实现突破，针对特定表位进行精准靶向治疗。传统需要数月的序列优化工作，通过AI模型可以在一天内完成上万条序列的预测筛选。
• 场景三：农业与生物制造
  • 痛点：工业酶制剂的研发和发酵工艺优化周期长。
  • 百图生科方案：与合作伙伴开发“智能育种知识助手”和智能发酵方案。
  • 实际案例：中国农业科学院与百图生科合作，将酶蛋白相关信息的获取从天级缩短到分钟级，显著提升了研发效率。

实际体验评价：

综合多家合作方反馈，百图生科平台的核心价值在于极大地提升了研发效率，实现了“能力平权”。深圳华大基因的IT副总监梁伦纲指出，AI对顶级专家影响或许有限，但能显著提升普通研发人员的效能。当然，AI模型固有的“幻觉”问题在生命科学领域需要极其审慎地对待，百图生科也通过多种技术手段致力于降低幻觉概率，优先保证输出的可靠性和可执行性。

7 用户价值与最新动态

7.1 为用户带来的核心价值

1. 效率提升，成本降低：将研发早期阶段从“月”级缩短到“天”甚至“小时”级，直接降低了时间成本和试错成本。
2. 突破认知边界：AI能够处理人类难以驾驭的超高维数据和复杂关系，有助于发现全新的靶点和设计过去无法想象的药物分子。
3. 赋能普通团队：使不具备顶尖专家资源的团队也能获得强大的研发辅助工具，提升整体科研水平。
4. 促进创新范式转变：推动生命科学研究从“经验驱动”向“数据与AI驱动”的历史性跨越。

7.2 近期重大动态（近3-6个月）

• 2025年4月：发布全球首个AI生命科学基础大模型驱动的生成式发现系统，核心产品“发现助手”正式亮相。
• 2025年3月：开源千亿参数蛋白质语言模型xTrimoPGLM，推动技术普惠和生态建设。
• 2025年1月：百图生科被机器之心、甲子光年等多家权威媒体评选为AI领域的TOP公司。
• 持续的商业合作：与赛诺菲的战略合作持续推进，同时客户范围扩展至石药集团、科兴生物、中国农科院等，据称已服务全球500多家机构，潜在订单价值达20亿美元。

8 常见问题解答（FAQ）

Q1：百图生科是免费使用的吗？

A：目前并非完全免费。百图生科提供SaaS体验版本供试用，但完整功能和企业级服务（特别是私有化部署）是需要付费的。商业合作模式需要联系其销售团队具体洽谈。

Q2：个人研究者或学生可以使用百图生科吗？

A：对于学术合作，百图生科有相应的计划和政策。例如，其开源的模型可供学术研究免费使用。对于其完整的平台，个人研究者可以关注官方是否推出针对教育科研机构的优惠或合作计划。

Q3：百图生科的“发现助手”和通用大模型（如ChatGPT）或深势科技的“玻尔平台”有什么区别？

A：专业性是最大区别。“发现助手”专为生命科学领域深度优化，集成专业数据源，旨在提供可执行的科学洞察，而非通用对话。与“玻尔平台”相比，百图生科强调其基于自有大模型的生成式发现能力和平台广度，而“玻尔”更侧重于基于科学文献的理解和分子模拟领域的深度。

Q4：百图生科是否有成功的药物研发案例？

A：根据公开信息，百图生科已成功验证并授权了多个免疫组合靶点或肿瘤特异性靶点相关成果，有项目进入临床前研究阶段。但其AI平台驱动的药物是否已进入临床或上市，仍需关注后续官方发布。

Q5：如何保证AI生成分子或方案的可靠性和安全性？

A：百图生科通过多种方式保证可靠性：1） 高质量训练数据；2） 严格的实验验证闭环，AI设计必须经过湿实验验证；3） 多种技术手段降低“幻觉”；4） 对于企业私有部署，数据存储在客户本地，保障了数据安全。

9 总结

百图生科作为中国AI+Life Science领域的领军企业，经过近五年的发展，已经确立了以超大规模生命科学基础大模型xTrimo为核心技术底座、以生成式发现系统为前沿产品形态的发展路径。其推出的“发现助手”等工具，直击传统研发信息过载、效率低下的痛点，在多家头部药企和科研机构的实际应用中证明了其显著提升研发效率的价值。

与专注于特定环节或自有管线的竞品相比，百图生科的平台化、生态化战略是其显著特色，旨在通过构建强大的生物计算基础设施，赋能整个行业。尽管AI驱动的药物研发完全走向成熟尚需时日，但百图生科通过持续的技术迭代、重磅开源和商业拓展，正稳步推进其愿景。对于任何致力于在药物发现、生物制造等领域寻求突破的机构而言，百图生科都是一个值得高度关注和深度评估的战略合作伙伴。

正如百图生科技术副总裁张晓明所预测：“未来5-10年，AI制药产业有望迎来爆发期”。百图生科无疑正在为这一天的到来，夯实基础，积蓄力量。

参考文章或数据来源

本文在撰写过程中，参考和引用了以下平台和媒体的公开信息，包括百图生科官方披露信息、百度百科词条、机器之心、量子位、钛媒体、环球网、中国日报网等，旨在确保信息的准确性和客观性。特此列出，以供读者查证。

1. 《百图生科_百度百科》 – 百度百科
2. 《AI生命科学基础大模型驱动的生成式发现系统发布》 – 中国新闻网（通过今日头条发布）
3. 《全球首个AI生命科学基础大模型驱动的生成式发现系统发布》 – 中国日报网
4. 《百图生科：首个AI生命科学基础大模型驱动的生成式发现系统发布》 – 环球网
5. 《全球首个千亿级蛋白质模型开源！百图生科掀起生命科学AI普惠革命》 – 智药局（通过今日头条发布）
6. 《百图生科：首个AI生命科学基础大模型驱动的生成式发现系统发布》 – 环球网（tech.huanqiu.com）
7. 《对话百图生科张晓明：未来5-10年，AI制药产业有望迎来爆发期｜钛媒体AGI》 – 钛媒体
8. 《百图生科新发布：首个AI生命科学基础大模型驱动的生成式发现系统》 – 量子位（通过今日头条发布）

本文最新更新日期：2026年02月01日