“MicroYuan Synth” mendapatkan pendanaan sebesar 300 juta yuan pada putaran A+ dan meluncurkan platform kolaborasi terbuka untuk komputasi biologis berbasis AI | 36氪 pertama kali merilis

Tanya AI · Bagaimana “microelement synthesis” memanfaatkan pendanaan baru untuk memperluas batas komputasi bio berbasis AI?

36Kr mengabari bahwa pada Maret 2026, “microelement synthesis” menyelesaikan pendanaan Seri A+ sebesar 300 juta RMB, dengan Henan Investment Group Huirong Fund dan Tuan Tan Ruiqing ikut berinvestasi. Pendanaan putaran ini akan membantu microelement synthesis memperluas batas penerapan komputasi bio berbasis AI, serta meningkatkan investasi untuk pengembangan teknologi inti dan implementasi berbasis skenario.

Menurut keterangan, sebelumnya, Henan Investment Group telah menyelesaikan penataan mendalam untuk industri infrastruktur AI, mulai dari investasi pada chip, mengakuisisi kendali atas skala besar komputasi super, hingga mengintegrasikan sepenuhnya aset HALO, guna menyediakan dukungan listrik dan komputasi untuk implementasi aplikasi skenario AI. Yang patut diperhatikan adalah bahwa investor pada putaran ini, Tan Ruiqing, adalah anggota dewan universitas dan alumni jurusan kimia dari Universitas Fudan, serta menjabat sebagai ketua asosiasi alumni; juga merupakan salah satu pendiri dari Longbai Group, perusahaan publik terkenal di A-share, dan sebelumnya pernah menjabat sebagai wakil ketua dewan, dengan pengalaman mendalam dalam membangun usaha serta berinvestasi di industri kimia selama lebih dari 30 tahun.

Ketika ilmu kehidupan secara menyeluruh memasuki era AI4S, terobosan teknologi tingkat dasar seperti prediksi dan desain struktur protein sedang mengubah paradigma riset industri bio-manufaktur. Saat ini, kemampuan algoritma dan model AI yang diterapkan ke dunia nyata bio-manufaktur, khususnya pada skenario seperti rekayasa enzim dan optimasi jalur metabolik, menjadi perhatian penting di industri.

Pada Januari 2026, microelement synthesis bersama dengan Stanford University, Princeton University, Peking University, ByteDance, NVIDIA, dan institusi lainnya mempublikasikan hasil terbaru mereka pada konferensi akademik tingkat teratas untuk kecerdasan buatan ICLR 2026: platform kolaborasi terbuka PoseX (alamat platform: http://dock-lab.tech/), yang ditujukan untuk menyelesaikan masalah docking molekul yang sulit dalam skenario dunia nyata, serta memberikan penilaian kemampuan yang adil dan realistis terhadap berbagai algoritma dan model docking.

Dalam biologi sintetis dan pengembangan obat, docking molekul merupakan salah satu teknologi inti tingkat dasar. Memprediksi secara akurat pola ikatan antara ligan dan protein reseptor, ibarat mencari kunci untuk membuka “pabrik kehidupan” di dunia mikroskopis. Pada masa lalu, pekerjaan ini sangat bergantung pada pengalaman ilmuwan, atau simulasi fisik yang biayanya mahal.

Dalam lingkungan eksperimen ideal, memasukkan ligan yang sudah diketahui dari struktur eutektik kembali ke “kantong” aslinya, seperti memegang puzzle untuk mengisi kekosongan. Namun, di medan tempur nyata rekayasa enzim, protein bukan “kunci” yang diam, melainkan “jeli” yang terus berubah bentuk; rantai samping berputar, rangka bernafas, dan bentuk kantong dapat benar-benar dibentuk ulang. Bagaimana tetap memprediksi dengan akurat pola ikatan ketika struktur protein mengalami perubahan dinamis adalah tantangan yang diakui secara luas.

Sejak lama, industri kekurangan tolok ukur yang seragam dan berkualitas tinggi untuk menilai kinerja algoritma pada skenario lintas-konformasi. Untuk mendefinisikan “standar praktik”, platform PoseX membangun platform evaluasi docking open-source skala besar yang dekat dengan skenario riset dunia nyata, guna mengatasi masalah seperti “data benchmark yang tunggal, generalisasi yang buruk, serta penyimpangan dari skenario aplikasi aktual”.

Pada saat yang sama, PoseX menguji 24 metode utama, mencakup metode fisika seperti Schrödinger Glide, metode docking berbasis AI seperti DiffDock, serta metode pemodelan ko-lipatan berbasis AI seperti AlphaFold3 dan Chai.

Setelah diuji, tim peneliti gabungan mengambil kesimpulan: “Metode docking AI kelas teratas (seperti SurfDock) dan metode ko-lipatan (seperti AlphaFold3), dalam menangani tugas docking lintas-konformasi yang paling menantang, akurasi dan ketahanannya telah melampaui sepenuhnya model fisika yang mendominasi industri selama puluhan tahun.”

Pada Agustus 2025, pendiri microelement synthesis, Liu Bo, pernah menyampaikan kepada 36Kr: desain enzim, optimasi jaringan metabolik, dan mekanisme lain sangatlah kompleks, sehingga sulit ada model algoritma “serba-bisa” yang dapat menyelesaikan semua masalah. Karena itu, perlu dikombinasikan dengan skenario proyek tertentu, memilih model yang paling tepat untuk mempercepat riset pada tahap-tahap tertentu. Saat itu, ia telah membangun tim riset AI sekitar 15–20 orang, bekerja sama dengan laboratorium algoritma AI kelas dunia, serta memanfaatkan kemampuan eksperimen basah-kering mereka untuk melakukan benchmark.

Menurutnya, seiring algoritma dibuka (open-source) dan ambang komputasi relatif menurun, pentingnya eksperimen basah menjadi semakin menonjol. “Bagaimana menilai enzim yang berbeda, bagaimana memilih sistem ekspresi, bagaimana menetapkan kondisi pengujian yang ketat, lalu mengonfirmasi dengan peralatan high-throughput—semuanya memiliki penghalang yang cukup tinggi, sementara kami sudah membangun sistem yang lengkap.”

Dalam proses peluncuran bersama platform PoseX, microelement synthesis terus menguji dan memberikan umpan balik kepada tim model kelas dunia melalui data eksperimen biologi yang nyata. Di saat membangun platform evaluasi terstandar “protein-ligan docking”, mereka juga benar-benar menempatkan alatnya agar berjalan di pengembangan pipeline mereka sendiri.

Dengan bantuan platform PoseX, teknologi AI secara substantif mempercepat riset dan implementasi pipeline dari tiga dimensi: pertama, mensimulasikan secara presisi perubahan konformasi protein, sehingga di ruang digital dapat dengan efisien menyempurnakan “enzim super” yang tahan suhu tinggi dan memiliki konversi tinggi;

Kedua, dengan menggabungkan informasi kantong dan pemurnian posisi/postur, secara akurat memetakan serta membuka node kunci dalam jaringan metabolik optimal, sehingga mendorong rekonstruksi metabolisme pada sel dasar dan menghilangkan bottleneck, yang pada akhirnya meningkatkan target dari sisi output, kemurnian, dan biaya;

Ketiga, melalui simulasi AI + penanganan pasca berbasis fisika, iterasi eksperimen basah yang memakan waktu berbulan-bulan dan biayanya mahal dapat dipadatkan menjadi beberapa minggu, sehingga meningkatkan rasio imbal hasil investasi riset dan menurunkan risiko coba-salah.

Dalam pipeline spesifik, saat ini microelement synthesis telah menyelesaikan berbagai riset dan komersialisasi untuk produk nutrisi manusia dan nutrisi hewan, seperti allulosa, lutein, manitol, dan lainnya. Dalam manufaktur biologis metanol, mereka telah mengembangkan beberapa strain berefisiensi tinggi yang mengasimilasi metanol, dan sedang mempercepat penataan pipeline produk yang mencakup asam amino curah dan monomer material berbasis bio.