MetaNovas（元星智药）近期完成 A+、A++ 两轮融资，由富华资本、高瓴资本、袋鼠妈妈集团等消费健康产业资本共同投资。此前，A 轮融资由高瓴创投、宝顶创投联合领投，若羽臣跟投。
如今 AI For Science 引发的热潮仍在继续，AI 正加速改变新药、新材料等行业开发范式。不过市场也在逐步回归理性：尽管通过 AI 生成、优化分子结构的难度大幅降低，但首尾两端的挑战尚未因为技术演进而发生质变。
传统技术路径下，从初期选品、中期放大量产，到后端的注册准入和商业化落地，开发一个消费型新材料约需 3-5 年时间。为提升全链条效率，MetaNovas 构建了以 Agentic AI（智能体人工智能）为核心的系统级操作平台，以在高度不确定性的研发环境中，进行多目标决策，兼顾新材料分子的性能、工艺要求、法规约束等，从源头降低商业落地的成本。
MetaNovas 联合创始人、CEO 王梅杰告诉 36 氪，在 "AI 智能研发组织 " 的推动下，其开发最快的生物活性原料在 12 个月内完成了从概念提出到人体功效测试的流程。因为 AI 智能体在全链条的应用，MetaNovas 得以保持精简、高效的团队，且能支持快速增加的新材料管线所需人力。
当前 MetaNovas 团队 AI 算法专家、生物学团队、转化团队各占 1/3。创始团队则都具有 AI、生物医药与计算材料复合背景。王梅杰曾在英伟达硅谷总部任职，开发用于生物计算的人工智能基础设施；首席技术官余论是 MIT 核科学与工程及 AI 方向博士，曾在美国 UnitedHealth Group 担任首席数据科学家。
据介绍，MetaNovas 自研了分子语言生成大模型，作为底层生成引擎，能够跨模态表证多肽、聚合物、小分子等，" 覆盖超过 10^60 的化学空间，分子生成有效率超 95%"。同时，针对材料落地必须考量的理化性质（如热稳定性、气味、紫外吸光度等），其开发了性能预测模型，为分子筛选提供依据。
提升模型精度的关键是：高质量数据积累，及基于实验数据自动迭代的 active learning 系统。余论介绍道，训练数据主要包括三类：文献与专利数据；与学术机构合作授权的实验室数据；内部实验平台产生的高通量湿实验数据。其中，自有实验平台不仅积累了成功的验证数据，也沉淀了 " 失败 " 的负样本数据。这些稀缺的内部反馈，让 AI 系统在迭代中更加精准。
图源：MetaNovas
为了让 AI 系统拥有研发团队的思维与能力，MetaNovas 针对新材料开发的全流程，开发了文献挖掘、分子生成、性能预测、实验规划、市场和商业化等 AI 智能体。
" 新材料开发涉及不同背景的团队，包括生物学家、药化学家、配方师、市场人员等等。开发 Agent 的核心在于搭建出更高效产出有效知识的工作流，将人类团队长期磨合出的动态协作机制，抽象为 Agent 能够直接执行的核心步骤、关键质量审核（QC）节点等，这就依赖于既往团队在各环节沉淀下的 know-how。" 余论解释道。
如市场洞察环节，Agent 系统会抓取消费品渠道的真实数据（成分、配方、销量等）进行前瞻性分析。在生物学家设计实验前，AI 已结合市场方向，排除了过度竞争的赛道，引导研发走向更具差异化和市场潜力的方向，避免了 " 做出来却不是市场所需 " 的沉没成本。
在 Agent 系统赋能下，MetaNovas 平台推荐分子的首次成功率超过 60%，大幅降低了试错成本与迭代次数。其开发的 Senoreversing（衰老逆转）肽仅测试 42 个肽分子、经过 2 轮迭代，即完成实验验证，该分子也获得联合利华等品牌商的关注。此外，由 AI 设计的杀菌消炎新分子 AMP33 已取得医疗器械主文档备案。
作为一家 AI 原生的新材料开发平台，MetaNovas 的管线开发方向正在拓展，包括生物活性成分、医用材料、功能聚合物、光化学成分、气味与风味成分等。工艺放大和生产方面，其主要与 CDMO 深度合作，成立合资公司，进行定向生产转化。商业上，多以与品牌商联合开发、进行材料供应等模式开展。
在 Agentic AI 的驱动下，材料科学正在告别漫长且昂贵的 " 盲筛时代 "。当 AI 不再是单纯的生成工具，而是进化为不知疲倦、能跨越学科鸿沟、懂得商业化权衡的 " 智能研发组织 " 时，新材料研发的新工业时代正在到来。
来源：36氪
