深势科技与联合利华展示两项 AI4S 合作成果,3 个抗菌候选分子将进入 1.7 亿欧元项目
让科学智能真正走进消费品研发现场:联合利华与深势科技的AI4S实践
深势科技与联合利华在联合利华中国研发中心成立30周年活动上展示两项 AI4S 合作成果,抗菌项目筛出3个候选分子,衣物护理的分子模拟流程已用于新品配方。
从8000多种原料中寻找新的抗菌活性成分,通过分子模拟理解衣物护理剂在不同织物表面的作用机制——这是深势科技与联合利华过去两年共同推进的研发课题。
近日,在联合利华中国研发中心成立30周年之际,双方集中展示了这两项合作研究的成果。
在抗菌活性物筛选中,研发团队借助
AI
模型与实验验证,发现3个具有良好抗菌活性的候选分子,相关成分将应用于联合利华规模达1.7亿欧元的全球创新项目;在衣物护理领域,双方通过分子动力学模拟建立的计算筛选流程,已用于实际配方研发,相关成果已应用于发布的衣物护理新品。
这些成果来自双方持续两年的合作。2025年世界人工智能大会期间,联合利华与深势科技联合发布
AI
for Science创新研发平台,探索将人工智能模型、科学计算与消费品研发需求相结合。随着合作推进,双方逐步将平台能力应用于原料筛选、分子作用机制研究和配方开发等具体任务。
在此次30周年庆典上,深势科技创始人兼首席执行官孙伟杰表示,
AI
正从服务单一科研任务的工具,逐步走向覆盖更多研发环节的智能研发系统。科学家负责提出问题和作出专业判断,智能系统则承担知识整理、计算分析、流程执行及结果留存等工作,使研发过程更加可追溯、可复现。
为消费品研发
寻找新的活性成分
1.1 抗菌活性分子:产品少不了,选择却有限
抗菌活性物是洗涤、个护等产品中的常见成分,承担抑菌、防腐等功能,直接关系到产品的使用安全和货架期。开发新品、更新配方或替换原有成分时,研发团队都需要持续寻找新的选择。
但找到一个新的抗菌分子,远比听上去苛刻。
一个有希望进入产品的候选,要同时满足多重条件:抗菌活性要可靠;要能穿过微生物的细胞膜或细胞壁,到达作用位置;还要考虑后续在配方中的稳定性、与其他成分的相容性、安全性和法规适配。任何一关过不去,前面的活性再好也没有意义。这也是为什么行业里可用、好用的抗菌活性物选择始终有限,研发人员需要不断拓展候选来源。
1.2
一轮只能测96个,候选有8000多种
最现实的矛盾,是筛选规模与实验通量不匹配。一张96孔板,一轮最多测96个样本;细菌培养要等24—48小时,真菌观察要持续3—5天。而联合利华原料库中的相关候选有8000多种——逐一实测,意味着以年为单位的实验周期和巨大的资源投入,显然不现实。
过
去更多靠研发人员的经验来缩小范围。经验很宝贵,但面对数千种原料,单靠经验容易形成路径依赖:熟悉的结构反复被选中,不常见但有潜力的候选容易被漏掉。团队需要一张有依据的候选地图,
回答“下一轮先测谁”。
1.3
关键一步:两套数据不在同一个化学空间
项目的第一步落在数据上。双方对联合利华的原料数据做了系统整理:结构标准化、数据去
重、活性标签梳理、SMILES获取,清理非小分子和缺少
结构信息的样本。这一步看起来基础,却决定了后面所有预测的可靠性
。
数据整理完成后,一个关键判断出现了:把联合利华的日化原料数据与公开抗菌数据放到同一张化学空间地图上比较,两者并不重合:日化原料的结构类型、官能团分布,和公开数据中常见的抗菌化合物有明显差异。这意味着,直接在公开数据上训练模型再套用到日化原料上,预测结果会出现系统性偏差,筛出来的“高分候选”很可能在真实原料上并不成立。
针对这一点,双方先完成数据校准,让模型真正理解日化原料所处的化学空间,再围绕三个问题逐层收敛候选:
哪些分子更可能有抗菌活性?抗菌活性模型在对应训练集和测试集上的AUC均超过0.8,具备可用的区分能力;
哪些分子能进入微生物细胞?膜渗透性模型识别出1344个潜在透膜分子,其中430个与抗菌活性模型的结果重合,既有活性、又进得去,候选范围大幅收窄;
这些分子可能通过什么路径起作用?双方围绕细胞膜、细胞壁合成、核酸、关键代谢和群体感应五个方向开展虚拟筛选、重打分和结合能评估,再经人工结构复核,形成155个非重复候选。覆盖多个作用机制,是为了避免候选扎堆在同一条路径上,也为后续应对不同菌种留出余地。
1.4
3个候选通过验证,MIC只有常用防腐剂的几分之一到几十分之一
联合利华团队从候选中选取部分进入体外抗菌活性验证。X1、X2、X3三个候选在测试条件下对金黄色葡萄球菌均表现出良好的抑制效
果,
MIC
(
最低抑菌浓度,Minimum Inhibitory Concentration,指在体外培养条件下,能够抑制细菌、真菌等微生物肉眼可见生长的最低药物浓度
)
处于0.01%—0.075%区间,明显低于同测试中苯氧乙醇的0.36%—0.64%。
MIC越低,意味着达到同样抑菌效果所需的添加量越少,这对配方的成本控制、温和性和安全性评估都有直接意义,这些成分将被应用于集团规模达 1.7 亿欧元的全球创新项目中。
对研发的实际帮
助,其实不止这三个
分子。一方面,下一轮实验有了明确的优先名单,实验资源可以集中投向最可能成立的候选,不用在大范围里碰运气;另一方面,整个流程——数据校准、活性与渗透预测、机制线索分析、实验验证、结果回流——作为工作流保留了下来。
下一批原料、下一个功能方向要做类似筛选时,可直接在这套流程上起步,验证产生的新数据还会回流到模型里,让下一轮预测更准。
从分子作用机制出发
改进衣服护理配方研发
2.1 想让每种织物都柔软顺滑,为什么这么难
衣物护理剂的作用大家都很熟悉:让衣物更柔软、顺滑,减少摩擦和静电。联合利华希望改善的,正是这种衣物护理体验——而且希望在各种织物上都稳定地实现。
但研发端长期面对一个现象:同一款衣物护理剂,用在棉、丝、聚酯纤维等不同织物上,表现常常不一样,有时差异还很明显。原因不难猜到:不同织物的纤维在表面电性、亲疏水性、微观形貌上差别很大,衣物护理剂分子在每种纤维表面的吸附状态自然不同。但“不同”具体是怎么发生的?研发要有针对性地改进配方,就得先回答这个问题。
2.2 沉积量测得到,过程看不见
湿法实验可以测出不同织物表面的沉积量差异,也就是多少衣物护理剂留在了织物上。但沉积量只是一个结果。从分子接触纤维到最终形成润滑层,中间发生的过程,实验手段很难直接观测:分子如何在水相中接近纤维表面?随着洗涤后水分蒸发、体系脱水,分子如何取向、构象如何重排、如何排列成层?微观吸附状态的差异,又如何最终转化为手感上的差别?
这些环节发生在纳米尺度的界面上,眼睛和常规仪器都看不见。看不清过程,成分选择和配方调整就只能依赖反复打样和感官评价:改一版配方,做一轮织物测试,凭手感打分,再改。周期长,成本高。而且即使试出了更好的配方,也往往说不清为什么好,经验难以沉淀和迁移。
2.3 一层看不见的界面,如何被看清
针对“纤维素—水—衣物护理剂”这一多相界面体系,深势科技引入自研的RiD强化动力学方法进行增强采样。之所以需要增强采样,是因为分子在界面上的吸附、脱附、取向翻转属于发生频率很低的“稀有事件”,常规分子动力学模拟在时间尺度上很难等到它们自发出现。
RiD的做法是用强化动力学主动推动体系去探索这些状态,再配合主动学习流程,通过“探索—选点—标注—训练”多轮迭代,系统覆盖了从体相水到近界面吸附的多种构象。
采样中有一个值得注意的发现:相近的吸附高度下,分子往往有截然不同的水化程度和取向。换句话说,单看“离纤维多近”这个指标,会掩盖界面状态的真实差异。这些容易被忽略的状态,都被纳入了采样范围。
在此基础上,团队逐步建立了覆盖吸附、脱水、摩擦和介电性质的计算流程。联合利华研发专家深度参与了其中几个关键环节:判断模拟得到的构象是否符合物理化学常识,把模拟结果与沉积量等实验数据一一对照,以及确定用哪些指标来验证计算的可靠性。计算得出的结论要能对上实验观察,才会被采信,进入下一步。
2.4 多尺度模拟支撑衣物护理剂筛选与产品研发
双方通过高通量分子动力学模拟,从分子、界面到界面摩擦等多个尺度,研究衣物护理剂与纤维、水之间的相互作用,并覆盖洗涤/漂洗、干燥及穿着摩擦等衣物护理关键场景。该平台可用于评估候选衣物护理剂在织物表面的界面行为及其对摩擦表现的影响,为理解不同织物上的护理差异、筛选更具潜力的分子和配方提供依据。
基于模拟
与实验协同验证,研发团队能够在实验打样前开展高通量筛选,聚焦更有价值的验证方案,提升配方研发效率。相关筛选出的衣物护理剂已应用于发布的衣物护理新品,推动了模拟研究向实际产品落地。
两年共建
从具体成果到可复用能力
3.1 留下的研发资产
两个项目各自留下了可以继续使用的研发资产。抗菌项目沉淀了候选优选逻辑和数据回流链路,涵盖数据校准、活性与渗透性预测、机制线索分析和实验结果回流的完整流程;衣物护理剂项目沉淀了吸附、脱水、摩擦、介电等分析模块,以及配套的计算—实验框架。方法、参数、输入输出、验证记录和适用边界都被保存下来,可以复核,也可以复用。再遇到相近的原料筛选、配方适配或材料界面问题时,研发团队能在既有基础上继续推进,减少重复探索。
3.2 后续应用方向
未来,这些能力有望用于更多相近的研发任务:
研发人员提出产品目标与科学问题,借助既有数据、计算模型和实验结果开展候选排序、机制分析及实验设计,再将新产生的验证数据用于后续优化
。对于企业研发而言,重要的不只是一次筛选得到哪些结果,还包括方法、流程和知识能否留在体系内,被下一次项目继续使用。
联合利华对消费品需求与配方研发的理解,结合深势科技在科学计算、
AI
模型与智能研发系统方面的积累,使双方能够围绕具体问题共同定义研究路径,并将计算分析与实验验证结合起来。从2025年双方联合发布AI for Science创新平台,到此次两项研发成果的展示,这一合作所呈现的价值,在于让前沿计算能力进入实际研发流程,并逐步沉淀为可持续使用的工具与方法。
关于深势科技
深势科技是全球 AI for Science 的开拓者和引领者,公司成立于2018年,在北京、上海、深圳、宜宾等地设有办公室和研发中心。以“加速科学发现,释放科学价值”为使命,致力于打造 AI 科学家(AI Scientist)及自主进行科学发现的智能系统。
以深势·宇知®科学发现智能引擎为基座,深势构建了一系列“读文献、做计算、做实验”的智能科学工具,和各领域的科学智能体,构成了 Science as a Service 智能化科研产品和服务矩阵:玻尔·科学导航,玻尔·勒贝格智算以及 Hermite
®
、Piloteye
®
等一系列研发软件,玻尔·跃迁实验室,SciMaster 科学智能体及面向科学发现的“大装置”和研发服务,为基础科研、生命科学、物质科学等领域的科学家和研发型组织提供深宽兼顾、灵活组合的解决方案。
作为国家高新技术企业、国家专精特新“小巨人”企业,深势科技科研技术团队由中国科学院院士领衔,汇集了超百位数学、物理、化学、生物、材料、计算机等多个领域的优秀青年科学家和工程师,其中博士及博士后在公司成员中占比超过35%。2020年,深势科技核心成员获得全球高性能计算领域的最高奖项“戈登贝尔奖”,相关工作入选2020年中国十大科技进展和全球 AI 领域十大技术突破。
来源:深势科技 · mp.weixin.qq.com