吴昊：AI+生物制造，珞米要做人类蛋白组大数据供应商

“数据就是今天的石油”。当谷歌和OpenAI在生命科学领域上演新一轮竞逐，他们在豪赌一个未来，即AI将从根本上重塑生命科学的研究范式，这其中蕴藏着万亿级别的商业价值。但在生命科学和医疗健康领域，目前高质量的数据非常稀缺。就像基因测序仪对于基因组，高分辨质谱是蛋白组学的金标准。但目前基于质谱蛋白组的人群蛋白组数据采集却屡屡受阻。根本的原因在于缺乏一整套高标准化稳定性的数据产生平台。传统方法一天只能处理30个样本，千例级队列要耗时一个多月；血浆样本里的低丰度蛋白总被高丰度蛋白掩盖，能鉴定到的蛋白不过1000种左右；不同批次的数据差异太大，今天做的结果明天就复现不了…… 这些痛点不仅拖慢了数据累积的进度，更让AI大模型算法无法发挥其在生命科学和医疗保健的巨大潜力。

杭州珞米医疗科技有限公司创始人兼CEO 吴昊博士

在第12届AOHUPO大会期间，分析测试百科网专访了杭州珞米医疗科技有限公司创始人兼CEO吴昊博士。这位拥有芝加哥大学分子工程博士背景、受美国材料基因组计划资助研究蛋白质相互作用的研究者，带领团队打造的Proteonano™高通量蛋白组学标准化平台，正用“高通量、超深度、强稳定”的特性逐个破解这些难题。

从芝加哥到杭州：因“痛点”创立，为“转化”而来

珞米生命科技的成立，源于吴昊博士在实验室里的亲身体会。“我在做研究时就发现，蛋白组学要实现大规模人群队列数据采集，必须解决两个核心问题：一是怎么高效、稳定、标准地从大规模样本中采集海量蛋白组数据，二是怎么让AI大数据分析整合进药物开发和医疗保健过程。”吴昊博士回忆，当时他的团队为了处理几百个血浆样本，手动操作了近半个月，最后还因为批次差异，一半数据没法用——这不仅是他的困扰，更是全球同行的普遍难题。

2021年，珞米在芝加哥起步，由于看到中国在生物制造产业链和人才储备的优势，把总部迁至杭州，如今在美国、德国、澳大利亚均已设立分支机构，形成“立足中国、服务全球”的布局。“我们的使命从一开始就很明确：让蛋白组学改变每个人的生活。” 吴昊博士表示。珞米生命科技致力于打造全球领先的综合蛋白质组学数字化平台，通过整合生物制造、自动化与人工智能，为全世界药企和研究机构提供人类蛋白组学大数据，助力精准医学发展。

截至现在，珞米的核心平台Proteonano™已获10项技术专利，可覆盖2000个信号通路，累计处理了全球超5万个大队列样本，合作的机构里既有罗氏、礼来、辉瑞这样的国际药企，也有梅奥诊所、清华大学这样的科研临床重镇，覆盖了肿瘤、神经、免疫、代谢等8大类疾病，慢慢成了行业里“高稳定”“标准化”和“临床转化”的代名词。

Proteonano™平台：用“精准捕获+高效处理+全程质控”破局

珞米的核心产品是Proteonano™ HT Assay，主要由Proteonano™血浆低丰度蛋白富集试剂盒，Nanomation™ G1 自动化机器人，和一整套经过2000多次精心打磨的自动化工作流，每一项设计都瞄准了行业痛点。搭配不同型号质谱仪，如Orbitrap、timsTOF等，Proteonano™ HT Assay每天可完成300个样本的前处理，覆盖超过12000个人类血浆蛋白，并且具有超高稳定性，样本间变异系数低于10%。

这样的性能，已经跟国际上著名的蛋白组学公司Olink（2024年被赛默飞以31亿美金收购）和SomaLogic（2024年被Illumina收购）旗鼓相当。

Proteonano™ HT Assay高通量数字化蛋白组平台

技术壁垒：AI设计亲和探针与单分散纳米磁珠的“双重突破”

Proteonano富集试剂盒采用特殊物理化学修饰的单分散超顺磁性纳米探针（Protein nanobinder reagents），其均采用多层级复合结构设计，具有精确可控的粒径尺寸，表面化学性质稳定。通过层级结构设计与AI算法筛选的特异性蛋白亲和配体，可通过精准的纳米-生物相互作用，实现对低丰度蛋白质的高亲和力选择性结合——既能形成致密的“特异性蛋白冠”提升靶标结合效率，又能有效抑制非特异性吸附。能够同时实现蛋白亲和探针设计和单分散纳米磁珠制造两大技术，目前全球仅2家企业掌握。

基于AI设计纳米多肽探针蛋白富集捕获专利技术

“我们的试剂盒优势来源于我们三大核心模块：工业级的含数百万化学组合的修饰纳米多肽探针体系、专有优化的缓冲系统以及标准化样本制备流程。”吴昊博士补充道，可稳定实现单氨基酸分辨率的定量检测，为蛋白质组学研究提供卓越的批次间重复性，为大规模大队列研究提供稳定数据支撑，实现在癌症、神经退行性级别、慢性病、和器官衰老生物标志物发现。

性能优势：通量、深度、样本兼容性的 “三重升级”

从实际应用性能来看，Proteonano™高通量蛋白质组平台具有如下显著的优势。

超高通量、超稳检出：Nanomation™ 自动机器人具备强大的高通量处理能力，其单轮实验可处理多达96个样本，每天可完成300个样本的全流程处理，按96孔板计算，仅需约3小时。相比传统的一天仅能处理30个样本的手动操作，其效率提升了10-17倍，可轻松满足大规模队列研究的需求。同时，在CV<10%时，单分散纳米磁珠探针仍可实现高稳定性蛋白检出，稳定性远超其它商业试剂盒。

超深覆盖：Proteonano对不同生物基质（如血浆、血清、唾液、组织细胞等）的样本需求量较低，其中血浆样本仅需20uL即可实现高深度检测，单个样本单次检测高达6000种蛋白质，较传统方法提升十倍；目前已累计检出12000+种独特人类血浆蛋白。此外，Proteonano™平台不仅成功检出123种经FDA批准的循环血浆生物标志物，更在癌症标志物深度挖掘上展现强劲实力，针对各类癌症标志物，该平台检出的蛋白数量达到未富集方法的3-5倍。

超宽动态范围：与传统方法相比，Proteonano检出范围可覆盖血浆蛋白质组10个数量级的动态范围，远高于其它方法的3-5个数量级。

覆盖血浆蛋白质组10个数量级的动态范围

广兼容性：Proteonano HT Assay简化了样本预处理流程。吴昊博士表示：“冻存血浆解冻后可直接上机检测。它不仅能处理血浆这类宝贵的临床转化核心样本，还能广泛兼容组织、细胞等多种样本类型，只要是蛋白溶液形态均可适用。”

吴昊博士强调：“效率和深度之外，数据稳定才是临床转化的关键。大队列研究不是做一次就完了，得保证不同批次、不同人做出来的数据都能比较。”Proteonano平台里藏着一套 “三级质控系统”：每块96孔板都会放3-8个健康人混合血浆的QC样本，同实验样本一起富集，看富集环节稳不稳定；蛋白信号检测的时候，会穿插专门的肽段QC样本，防止仪器状态波动影响结果；最后数据分析还有专门的算法，先做方差稳定标准化，再用 Combat 矫正批次差异，最后批次内的CV能控制在10%以下，批次间也不到15%——这比行业平均水平高多了，也让多中心合作的大队列研究终于有了“统一的数据语言”。

应用落地：从阿兹海默症到胃癌，用数据证明价值

目前，珞米生命科技的高通量蛋白组平台已在多个重大疾病研究中落地，积累了丰富临床数据：

在阿兹海默症研究中，共鉴定出159个显著差异蛋白，其中142个上调、17个下调。基于这些差异蛋白，成功建立多指标联合模型，判别效能AUC高达0.952，实现了对认知障碍人群的高精度区分。

在糖尿病肾病蛋白标志物研究中，研究中共鉴定出45种显著差异蛋白，为疾病早期识别提供线索。基于这些蛋白成功构建多指标联合判别模型，实现信息整合与风险识别，模型在识别糖尿病肾病人群中表现优异，AUC达到0.949，展现出强大的临床转化潜力。

在胃癌标志物诊断中，纳入600例临床样本，覆盖多种病理类型与阶段，成功鉴定6253种蛋白，构建胃癌相关的高分辨率蛋白质图谱，为后续差异蛋白筛选、标志物发现及临床转化研究提供了坚实数据资源。

在长新冠标志物发现研究中，基于1000+例临床样本，成功筛选出一批与长新冠相关的候选蛋白标志物，为机制解析与风险评估提供新线索，助力长新冠的早期识别、预后评估与干预。

行业洞察：2500亿市场，标准化是核心竞争力

谈及蛋白质组学的行业前景，吴昊博士有着清晰的判断。“人体蛋白质组导航国际大科学计划（π-HuB）启动后，行业已经从分散探索进入规模产业化发展阶段了。”他说，“对比基因组学250亿美金的市场规模，蛋白组学的数据量更大、和疾病表型的关联更直接，市场规模至少是10倍即2500 亿美金，这是个潜力巨大的蓝海。”

但要在这个赛道里站稳脚跟，差异化竞争力很重要。“我们选择了跟Olink不一样的技术路径，他们靠两个抗体来识别一个蛋白；我们利用蛋白蛋白相互作用，结合肽段定量金标准质谱，能做无偏性研究，既能找已知标志物，也能挖新的候选靶点。”吴昊博士打了个比方，如国际某知名质谱厂商，在未使用珞米试剂盒和设备时，只能检测到1000种左右的血浆蛋白，搭配之后能检出12000种血浆蛋白，“就像汽车需要适配的发动机和汽油，质谱的性能得靠标准化的前处理方案才能发挥出来。” 珞米的平台采用“设备+试剂盒+质控”协同优化，全流程自动化让前处理发挥出最高性能。

未来规划：全球布局+数据赋能，让技术更普及

对于珞米的未来，吴昊博士有两个明确的方向。一是全球布局，“现在我们在美国、欧洲、澳洲已经有重磅合作伙伴了，包括全球最大药企礼来。未来3-5年，计划在全球超1000个站点安装Proteonano™ HT Assay平台，包括科研机构、大型药企、生物科技公司、临床诊所、第三方检测机构等。”他说，这样就能实现全球样本的标准化处理，不管在哪个国家做研究，数据都能互相比对，让跨国多中心的大队列研究更顺畅。二是大数据赋能 AI，”现在生命科学不缺好的AI模型，缺的是高质量、标准化的数据。”吴昊博士认为，他们平台产生的稳定数据，能为蛋白质组学AI 大模型提供核心训练素材，不管是优化疾病预测模型，还是加速药物靶点筛选，都能帮上忙，甚至未来能根据患者的蛋白组特征制定个性化治疗方案。 “目前我们正在全球建设4个大数据产生中心，运用联邦学习和迁移学习，整合全世界各地产生的海量数据。”吴昊表示。

“我们最终的目标，是让蛋白质组数据渗透到生命科学和医疗保健的每一个环节。”吴昊博士在专访结尾说，不管是科研人员、临床医生，还是药企研发人员，都能轻松用他们的平台和数据，“让蛋白质组学真正改变每个人的生活，这是我们从创立那天起就没变过的初心。”