MetaNovas（元星智藥）近期完成 A+、A++ 兩輪融資，由富華資本、高瓴資本、袋鼠媽媽集團等消費健康產業資本共同投資。此前，A 輪融資由高瓴創投、寶頂創投聯合領投，若羽臣跟投。

如今 AI For Science 引發的熱潮仍在繼續，AI 正加速改變新藥、新材料等行業開發范式。不過市場也在逐步回歸理性：盡管通過 AI 生成、優化分子結構的難度大幅降低，但首尾兩端的挑戰尚未因為技術演進而發生質變。

傳統技術路徑下，從初期選品、中期放大量產，到后端的注冊準入和商業化落地，開發一個消費型新材料約需 3-5 年時間。為提升全鏈條效率，MetaNovas 構建了以 Agentic AI（智能體人工智能）為核心的系統級操作平臺，以在高度不確定性的研發環境中，進行多目標決策，兼顧新材料分子的性能、工藝要求、法規約束等，從源頭降低商業落地的成本。

MetaNovas 聯合創始人、CEO 王梅杰告訴 36 氪，在 "AI 智能研發組織 " 的推動下，其開發最快的生物活性原料在 12 個月內完成了從概念提出到人體功效測試的流程。因為 AI 智能體在全鏈條的應用，MetaNovas 得以保持精簡、高效的團隊，且能支持快速增加的新材料管線所需人力。

當前 MetaNovas 團隊 AI 算法專家、生物學團隊、轉化團隊各占 1/3。創始團隊則都具有 AI、生物醫藥與計算材料復合背景。王梅杰曾在英偉達硅谷總部任職，開發用于生物計算的人工智能基礎設施；首席技術官余論是 MIT 核科學與工程及 AI 方向博士，曾在美國 UnitedHealth Group 擔任首席數據科學家。

據介紹，MetaNovas 自研了分子語言生成大模型，作為底層生成引擎，能夠跨模態表證多肽、聚合物、小分子等，" 覆蓋超過 10^60 的化學空間，分子生成有效率超 95%"。同時，針對材料落地必須考量的理化性質（如熱穩定性、氣味、紫外吸光度等），其開發了性能預測模型，為分子篩選提供依據。

提升模型精度的關鍵是：高質量數據積累，及基于實驗數據自動迭代的 active learning 系統。余論介紹道，訓練數據主要包括三類：文獻與專利數據；與學術機構合作授權的實驗室數據；內部實驗平臺產生的高通量濕實驗數據。其中，自有實驗平臺不僅積累了成功的驗證數據，也沉淀了 " 失敗 " 的負樣本數據。這些稀缺的內部反饋，讓 AI 系統在迭代中更加精準。

圖源：MetaNovas

為了讓 AI 系統擁有研發團隊的思維與能力，MetaNovas 針對新材料開發的全流程，開發了文獻挖掘、分子生成、性能預測、實驗規劃、市場和商業化等 AI 智能體。

" 新材料開發涉及不同背景的團隊，包括生物學家、藥化學家、配方師、市場人員等等。開發 Agent 的核心在于搭建出更高效產出有效知識的工作流，將人類團隊長期磨合出的動態協作機制，抽象為 Agent 能夠直接執行的核心步驟、關鍵質量審核（QC）節點等，這就依賴于既往團隊在各環節沉淀下的 know-how。" 余論解釋道。

如市場洞察環節，Agent 系統會抓取消費品渠道的真實數據（成分、配方、銷量等）進行前瞻性分析。在生物學家設計實驗前，AI 已結合市場方向，排除了過度競爭的賽道，引導研發走向更具差異化和市場潛力的方向，避免了 " 做出來卻不是市場所需 " 的沉沒成本。

在 Agent 系統賦能下，MetaNovas 平臺推薦分子的首次成功率超過 60%，大幅降低了試錯成本與迭代次數。其開發的 Senoreversing（衰老逆轉）肽僅測試 42 個肽分子、經過 2 輪迭代，即完成實驗驗證，該分子也獲得聯合利華等品牌商的關注。此外，由 AI 設計的殺菌消炎新分子 AMP33 已取得醫療器械主文檔備案。

作為一家 AI 原生的新材料開發平臺，MetaNovas 的管線開發方向正在拓展，包括生物活性成分、醫用材料、功能聚合物、光化學成分、氣味與風味成分等。工藝放大和生產方面，其主要與 CDMO 深度合作，成立合資公司，進行定向生產轉化。商業上，多以與品牌商聯合開發、進行材料供應等模式開展。

在 Agentic AI 的驅動下，材料科學正在告別漫長且昂貴的 " 盲篩時代 "。當 AI 不再是單純的生成工具，而是進化為不知疲倦、能跨越學科鴻溝、懂得商業化權衡的 " 智能研發組織 " 時，新材料研發的新工業時代正在到來。

來源：36氪