喜报｜微岩医学3家实验室全面通过广东省tNGS室间质量评价预研活动

近日，广东省临床检验中心公布了《2026年下呼吸道感染病原体靶向高通量测序（tNGS）室间质量评价预研活动结果报告》。微岩医学旗下3家医学检验实验室全部顺利通过本次质量评价预研活动，微岩医学的检测能力与质量管理水平再次通过"官方考核"，交出了一份过硬的答卷。

质量是精准检测的基石，也是微岩医学始终坚守的初心。此次3家实验室全部通过室间质量评价预研活动，是对微岩医学实验室检测能力与质量管理成效的又一次肯定。

未来，微岩医学将继续秉持严谨、专业的质量理念，持续优化检测技术与质量管理体系，不断提升病原体检测服务水平，以更加精准、可靠的检测技术赋能临床感染性疾病诊疗，助力精准医学高质量发展。

从材料到燃烧：宝武集团首席科学家李国保一行到访松山湖材料实验室

2026年10月12日至13日，中国宝武集团首席科学家、国家硅钢工程技术研究中心主任李国保一行到访松山湖材料实验室。实验室首席科学家、中科卓异科技董事长付超热情接待。

交流期间，李国保一行参观了实验室材料制备与表征平台、微加工与器件平台等科研基础设施，并就材料微观结构调控、器件性能优化等关键问题做深入交流。李国保对实验室的材料制备与精密表征能力给予高度评价。

座谈中，付超介绍了团队多孔介质超焓燃烧技术的最新进展。该技术以碳化硅多孔陶瓷为核心材料，利用多孔介质的蓄热与均温特性，为取向硅钢加热干燥提供均匀稳定的热场环境，有效提升产品磁性能一致性和成材率。宝武集团硅钢制造产能规模、技术水平、产品谱系均居世界前列，此次合作标志着中国原创低碳热工技术成功进入全球顶级钢铁制造场景。

李国保对双方第一阶段合作成果给予充分肯定，并提出在宝武集团镀锌板、彩钢板等产线同样存在大量可以应用的场景和需求，期待双方下一步开展现场技术对接，将超焓燃烧技术的应用从硅钢拓展至钢铁制造全流程。

付超表示，期望与宝武集团建立全面科技创新合作伙伴关系，围绕材料体系、热工装备、工艺集成等开展长期协同攻关，形成从技术研发到装备交付再到产线运维的全链条合作机制。双方达成共识，将正式签署创新合作伙伴关系协议，共同面向钢铁绿色制造全流程开展合作与联合开发。

中科卓异作为国内多孔介质超焓燃烧技术领域的领军企业，其碳化硅多孔陶瓷及超焓燃烧装备技术已在石油、化工、电力、钢铁、有色、玻璃等行业实现示范和规模化应用。此次交流，将加速该技术在高端钢铁材料制造场景中的迭代升级。双方将以此为契机，共建低碳硅钢热工联合攻关机制，推进主产线示范工程，同时在低碳及零碳燃烧技术、新型热工装备等方向持续拓展合作领域，共同推动钢铁工业绿色低碳热工装备转型。

中科闻歌携手湖南省农科院、自动化所研发"袁稻思源"平台

10月11日，"袁稻思源"杂交水稻智能育种平台在岳麓山实验室正式发布。平台由湖南省农业科学院、中国科学院自动化研究所与中科闻歌共同推进，是三方自今年7月启动"人工智能+农业科研"合作后取得的阶段性成果。作为落实国家种业振兴行动，推动育种技术数字化、智能化转型的重要实践，"袁稻思源"平台聚焦杂交水稻育种科研需求，旨在为科研人员打造全球一流的智能育种平台，推动决策AI在农业科研场景中的应用。

中科闻歌以磐石科学基础大模型为核心能力底座，依托磐石·智研决策平台与行业应用工程化能力，与科研机构的专业知识和育种实践相结合，为平台建设提供技术支撑。

中国科学院院士李家洋、钱前、谢道昕，中国工程院院士柏连阳等专家与领导出席发布会，共同见证平台上线。

四大核心功能 支撑育种科研智能决策

水稻育种需要综合利用种质资源、品种性状、基因信息及科研文献等多类资料。如何把分散的信息关联起来，为科研判断提供可查询、可追溯的依据，是人工智能服务育种科研的重要切入点。围绕这一需求，"袁稻思源"平台集成问答助手、育种资源库、知识图谱和文献库四大功能模块，将信息获取、资源查询和知识关联融入育种科研过程，支持科研人员开展辅助研判。

发布会现场展示了"袁稻思源"面向育种科研的多项辅助能力：科研人员可通过问答助手查询品种审定相关信息；在育种资源库中检索种质资源、追溯品种系谱，借助知识图谱查看品种、性状与基因之间的关联；并通过文献库检索和溯源相关研究。这些功能将分散的数据与知识联系起来，为育种科研中的信息获取、关联分析和辅助研判提供支持。目前，平台已在第三代杂交水稻育种中开展应用示范。

中国工程院院士柏连阳表示，"袁稻思源"平台迈出了AI赋能杂交水稻育种的关键一步，未来应持续迭代平台能力，推动人工智能与育种实践进一步融合，为种业创新提供支撑。

中国科学院院士李家洋表示，育种正从"经验驱动"转向"数据驱动、设计育种"，"袁稻思源"平台的建设是落实种业振兴行动、保障国家粮食安全、抢占农业科技制高点、传承袁隆平精神的重要实践。围绕平台未来发展，李家洋院士建议，进一步强化智能决策，整合基因组、表型、环境等多维数据，提高组合推荐与亲本选择精度；同时加强高校、科研院所与企业协同，推动科研成果走向大田。

科研与技术协同推动决策AI走进育种一线

人工智能应用于育种科研，需要模型能力与领域知识、专业数据和实际任务紧密结合。此次合作中，三方围绕杂交水稻育种需求开展联合攻关，将农业科研积累与人工智能技术相结合，推动相关能力落实到平台功能和应用场景中。"袁稻思源"平台建设是中科闻歌深化AI4S应用、推动决策智能服务专业科研的一次具体实践，围绕育种工作中的实际需求提供辅助支持，为决策AI在农业科研领域的进一步应用积累经验。

"袁稻思源"取"饮水思源"之意，旨在致敬袁隆平院士，传承其投身杂交水稻研究、服务国家粮食安全的科学精神。此次发布会所在的岳麓山实验室，是湖南重点建设的现代农业实验室和种业创新高地，袁隆平院士生前所在的杂交水稻创新团队，是实验室竣工验收后首个入驻团队。平台在此发布，更具传承意义。

未来，三方将围绕育种科研需求，持续完善平台功能、深化应用示范，以决策AI支持优良品种选育，为种业科技创新和国家粮食安全贡献力量。

从规模化制造到AI驱动研发—擎科生物加速构建分子研发与智造闭环

随着人工智能、生物技术与自动化实验加速融合，生物制造正在从"规模化生产"进一步向"智能化研发与制造"延伸。2026年公开发表的《前瞻布局和发展未来产业》将生物制造列为"十五五"时期未来产业重点方向之一；同年关于健康中国建设的重要讲话提出，要推动科技创新成果在卫生健康领域转化运用，推进全民健康数智化建设。

对生命科学企业而言，真正的挑战已经不只是"能不能把一个分子做出来"，而是如何让AI产生的设计更快进入真实实验，让实验数据能够持续反馈到下一轮研发决策，并让成熟候选进一步走向稳定、可放大的制造。这也是擎科生物正在推进的"AI+分子智造"路径：以长期规模化分子制造为基础，向高通量实验验证、数据闭环和AI辅助研发进一步延伸。

AI药物发现的另一半，是能够真实执行实验的基础设施

AIDD（AI Drug Discovery）让分子设计和候选生成的效率显著提升，但"算出来"并不等于"验证过"。无论是siRNA、ASO，还是抗体与蛋白候选，模型最终都需要回到湿实验：真正合成出来、表达出来、测出来，才能形成可信的研发反馈。因此，AI药物发现真正需要的，不只是更强的模型，还需要一套能够承接大量候选、标准化执行实验并持续产生结构化数据的湿实验基础设施。

AI负责缩小候选空间；高通量实验负责把候选真正做出来、测出来；真实数据再回到下一轮设计。 对于擎科生物而言，这套基础设施并非从零开始建设。过去十余年围绕核酸与基因合成形成的高通量设备、工艺放大、生产数字化和自动化产线，正在成为"Build"这一层的现实底座。

十余年规模化生产，构成了"Build"的工程底座

经过十余年的深耕，擎科生物在规模化生产领域积累了深厚的工程经验。公司以自主研发的合成设备为基础，其迭代逻辑并非单纯追求设备参数的堆砌，而是始终围绕解决真实生产中的具体痛点：如何减少浪费、如何提高重复动作效率、以及如何在通量增加后保持过程的稳定。

如今，这种基于真实生产打磨出的工程能力，已经成功向两个核心维度延伸：其一是高通量，实现了单次合成长度的大幅跨越，能够很好地满足各类大规模筛选场景的需求；其二是高载量，成功覆盖了从微摩尔到克级，乃至百克级、公斤级的商业化生产规模。从早期的设备研发到如今的规模化交付，真正被持续积累的并非单一的产品型号，而是贯穿不同研发阶段和生产规模下的工艺控制、设备工程、在线监测与质量管理经验。

从自动化实验到SDL：关键不是"无人"，而是形成实验闭环

当单台设备能够稳定运行之后，下一步并不是继续增加更多"自动化孤岛"，而是把实验流程连接起来。目前，擎科生物全自动寡核苷酸平台已经将合成仪、氨解仪、纯化仪、酶标仪和分装仪整合在同一系统中，通过六轴机械手、高精度线性滑轨和中控系统统一调度，形成从亚磷酰胺单体到Oligo产物的一站式流程；类似的系统化思路还延伸到PCA产物制备、自动化测序和核酸提取纯化等场景。这也构成了向Self-Driving Lab（SDL，自驱动实验室）进一步演进的基础。SDL的核心并不是"实验室里没有人"，而是让实验成为AI可以调用、比较和学习的过程。

Design → Build → Test/Screen → Learn → Next Round

自动化解决的是"实验怎么做"；SDL进一步希望解决"下一轮最值得做什么"。要做到这一点，订单、样本、设备、工艺参数、检测结果和实验条件必须被持续记录并结构化连接。只有当真实实验数据能够稳定回流，AI才有机会从一次次实验中持续优化候选排序和下一轮实验设计。因此，在这套架构中，自研设备的角色也发生了变化：合成仪、纯化仪、机械臂和自动化工作站不仅是生产工具，也开始成为AI模型与真实实验世界之间的执行层——把数字世界中的设计转化成真实样本，再把实验数据返回模型。

小核酸：从高通量合成，走向"设计—验证—再设计"

小核酸是适合率先形成这一闭环的方向之一。一个靶点在早期研发阶段往往需要验证大量siRNA候选，而真正决定研发效率的，不只是一次能合成多少条序列，还包括这些候选能否快速进入统一的功能验证流程，并形成可以比较的数据。擎科生物目前已经具备高通量Oligo合成、自动化后处理以及从研发到规模化生产的设备与工艺基础。在此基础上，公司在建siRNA智能检测平台，将通过自动化系统进一步连接细胞接种、转染、qPCR检测及结果分析等环节。未来的目标并不是把"AI"和"合成设备"简单并列，而是让它们进入同一条研发路径：

AI-assisted Design → High-throughput Synthesis → Purification/QC → Cell Assay → qPCR / Knockdown → Data Analysis → Next-round Design

当候选序列、化学修饰、合成数据、细胞条件和基因沉默结果能够在同一数据框架下关联，AI才可能更有效地学习"什么样的候选更值得进入下一轮实验"，从而减少重复试错，让高通量制造真正服务于药物发现。

抗体与蛋白：让序列、表达、亲和力和功能数据真正连起来

抗体与蛋白研发面对的是另一种数据闭环。AI可以参与序列聚类、结构分析、候选排序和developability相关评价，但模型的价值最终仍需要由真实表达、结合、亲和力和功能实验来验证。因此，擎科生物在这一方向更关注"AI-ready wet lab"的基础：让基因构建、高通量表达、纯化、结合/亲和力检测以及后续功能数据能够按照统一标准产生并被结构化记录。理想的数据链并不是一张最终结果表，而是：

Sequence → Construct → Expression → Purity → Binding/Affinity → Developability → Function

当这些实验结果能够回到同一个候选ID下，AI才能真正利用实验数据进行下一轮候选排序与设计。对擎科生物而言其价值不在于对外强调"已有一个全能AI模型"，而在于把高通量实验、真实数据和模型迭代逐步连接起来。

从内部验证到外部复制：让研发与制造基础设施成为可复用能力

擎科生物的另一条路径，是把内部生产中形成的自动化、工艺和系统工程经验向外部科研与产业场景延伸。与浙江工业大学郑裕国院士团队启动的"工业酶改造与细胞工厂构建智能设计平台"项目，正尝试把AI设计、自动化构建、高通量筛选和数据迭代组织在同一研发闭环中。该平台在设计端整合Transformer架构、蛋白结构预测与设计计算、多维度特征分析等技术，并配套结构化酶数据库，为模型训练、候选筛选与后续迭代提供数据基础。这一案例不只是"交付一条自动化产线"，而是验证一种更完整的方法：把设计、实验、数据和制造重新组织成能够持续迭代的系统。这也意味着，过去在擎科生物内部长期运行和验证的设备、工艺、参数、数据管理和质量方法，正在逐步被抽象成可迁移到不同研发场景的工程模块。从自己能用，到外部场景可以复用，是"AI+分子智造"从内部制造能力走向生命科学基础设施的重要一步。

从Manufacturing走向Discovery & Manufacturing

回看走过的路，最初，是怎样把192条序列稳定做出来；后来，是怎样做到768条并行；再后来，是怎样从nmol走向g、百g和kg级，以及怎样让合成、氨解、纯化、检测和分装成为一条自动化流程。今天，让AI真正进入分子设计，让高通量湿实验成为模型可以调用的验证平台，让实验数据能够回到下一轮设计，并让成熟候选继续走向规模化制造。

从规模化生产，到高通量实验；从自动化执行，到数据闭环；再到AI参与下一轮实验决策——这是擎科生物从Manufacturing走向Discovery & Manufacturing的一条长期路径。 这些底层能力最终能够让药物研发减少重复试错，让实验验证更高效，让制造过程更稳定、更可追溯，并让更多创新成果更快走向应用。

免责声明：本公众号发布内容部分信息来源网络，本平台不对文章信息或资料真实性、有效性、准确性及完整性承担责任。文章仅供阅读参考，不作任何投资建议，如有侵权请联系删除。