BIO 2026概览：百年生物技术的新十字路口
BIO International Convention 是全球生物技术行业规模最大的年度盛会，由 Biotechnology Innovation Organization（BIO）主办。2026 年是第 33 届，于 6 月 22-25 日在加州圣迭戈举办，下一届将于 2027 年 6 月 7-10 日移师费城。
2026 年的议程覆盖 100+ 场互动会议，横跨 18 个焦点领域：
| 焦点领域 | 核心议题 |
|---|---|
| AI与数字健康 | Agentic AI、生成式基因组学、量子计算、联邦学习 |
| 生物制造 | AI驱动CMC、GMP环境AI应用、工艺优化 |
| 细胞与基因治疗 | 基因组编辑、干细胞治疗进展、ATMP法规 |
| 下一代生物治疗 | 新型抗体格式、多特异性分子、ADC |
| 肿瘤学 | AI靶点发现、免疫疗法耐药、精准肿瘤学扩展 |
| 诊断与精准医学 | 多模态数据、液体活检、伴随诊断 |
| 罕见病与孤儿药 | AI加速罕见病诊断、小人群临床试验 |
| 知识产权与法规 | AI发明的专利归属、数据合规 |
除了焦点领域，BIO 2026 还设有多个精心策划的专题项目（Curated Programs）：AI Summit（第二届）、BIO Storytelling Stage、BioProcess Theater、Global Innovation Hubs、Professional Development Courses、Start-Up Stadium 和 Student Program。其中 AI Summit 是全场最受瞩目的板块。
趋势一：Agentic AI——从分析工具到自主决策
BIO 2026 多场会议聚焦一个核心转变：AI 正在从"分析数据的工具"演变为"能做决策的系统"。这些被称为 Agentic AI 的模型能够设定目标、调整策略、生成假设，并具有一定程度的自主性——这种转变正在重塑药物发现和开发的范式。
一场题为"AI 的下一次进化"的分组会议明确指出：
"AI 不再只是支持性工具，而是开始扮演更主动的角色。赌注不只是效率——而是一种认知方式的转变。"
Agentic AI 在 BIO 2026 上的讨论集中在三个方向：
- 自主假设生成：AI 系统能够基于多模态数据自主提出药物靶点假设，设计验证实验，并根据结果迭代优化——而非等待人类指定方向
- 临床试验自动化：智能系统能够管理患者招募、监查数据质量、识别安全信号，甚至自主调整试验方案中的 operational 参数
- 端到端 R&D 重塑：从靶点识别到药物设计再到临床试验优化，AI 被期望"端到端"地变革整个 R&D 旅程
值得注意的是，行业讨论已经从"AI 能做什么"转向"AI 做了什么"。一场会议直言：行业正从 "告诉我"（tell me）转向"给我看"（show me）——压力在于用 AI 从根本上重塑药物发现和交付方式，而非停留在概念验证阶段。
趋势二：生成式基因组学——创造高保真基因组数据
BIO 2026 AI Summit 的一场会议聚焦了一个新兴领域：生成式基因组学（Generative Genomics）。这一方向使用生成式 AI 模型创造全新的、高保真的基因组数据——这代表着我们理解和应用生物学方式的重大转变。
大规模 AI 模型在基因组和转录组数据上训练后，能够在运行实验之前预测生物行为——从而加速发现、改善临床决策、提高药物开发效率。这一能力的核心价值在于：
| 维度 | 传统基因组学 | 生成式基因组学 |
|---|---|---|
| 数据来源 | 实验测量 | AI生成 + 实验验证 |
| 成本 | 高（测序 + 样本采集） | 低（计算生成） |
| 速度 | 周/月级 | 小时/分钟级 |
| 覆盖度 | 受样本限制 | 可探索罕见变异空间 |
| 应用 | 关联分析 | 行为预测、虚拟实验 |
但这一方向也引发了数据安全讨论。同一时段的另一场会议提出了尖锐问题：AI 需要更多数据来提升 R&D 生产力，但我们需要多少 vs 我们想要多少？ unintended risks 是什么？医院数据已被数百次勒索，AI 公司也在警告自己的工具可能赋能黑客。创建生物医学数据——无论是基因组还是临床记录——正在成为 AI 时代最敏感的基础设施问题之一。
趋势三：量子计算药物发现——超越经典计算极限
BIO 2026 AI Summit 的最后一场会议探讨了量子计算如何重新定义药物发现的前沿。核心论点是：量子计算有望解决超出经典计算能力范围的复杂分子和优化问题。
来自 AI 驱动药物设计、量子算法和计算化学领域的专家讨论了新兴量子方法如何加速：
- 靶点识别：量子计算可以模拟经典计算机无法处理的复杂分子相互作用，从而发现新的药物靶点
- 化合物优化：量子优化算法可以在更大的化学空间中搜索最优分子结构
- 分子模拟：量子计算机天然适合模拟量子力学系统——即分子本身——这可能从根本上改变计算化学
这一方向目前仍处于早期阶段，但 BIO 2026 将其纳入 AI Summit 核心议程，说明行业已经开始认真对待量子计算在药物发现中的长期潜力。关键挑战在于：量子硬件的成熟度、量子算法与现有 AI 框架的集成、以及从量子优势到实际药物发现价值的转化路径。
趋势四：AI驱动的临床试验自动化
临床试验是大人群疾病药物开发中最复杂、最耗资源的环节。患者招募经常滞后，行政瓶颈延迟研究时间线，运营效率低下影响数据质量和法规合规。BIO 2026 的一场会议提出：Agentic AI——能够自主执行任务的智能系统——可以系统性地应对这些挑战。
AI 在临床试验中的应用场景包括：
| 环节 | 传统方式 | AI驱动方式 |
|---|---|---|
| 患者招募 | 手动筛选、广告投放 | AI匹配电子病历、预测招募速度 |
| 数据质量 | 人工监查、事后清理 | 实时异常检测、自动数据核查 |
| 安全监查 | 定期人工审查 | 持续AI信号检测、预警系统 |
| 方案优化 | 基于经验调整 | 运营数据反馈、自适应设计 |
| 患者服务 | 标准化流程 | 个性化干预、依从性预测 |
在亚太地区，Google Health 和 Health2Sync 已与台湾健保署合作，使用 AI 对糖尿病并发症风险患者进行分层，并提供个性化数字干预。在新加坡，类似的项目正在帮助公民更好地管理高血压和糖尿病前期。这些案例展示了 AI 在真实世界医疗场景中的落地路径。
趋势五：联邦学习——不共享数据也能协作
联邦学习（Federated Learning）是一种机器学习方法，它在不将患者级数据汇聚到中央仓库的情况下，跨分散数据集训练模型。对于生物技术高管而言，它可以加速多中心发现、改善模型泛化能力、减少数据传输摩擦。对于患者群体而言，它提供了一种在加强隐私保护的同时促进研究协作的方式。
联邦学习在 BIO 2026 上的讨论反映了行业的一个关键矛盾：
"AI 变得无处不在，但没有公司能独自释放其全部潜力。"
数据是 AI 的燃料，但生物医学数据是最敏感的数据类型之一。联邦学习提供了一条中间路径：
- 模型共享，数据不动：模型在各机构本地训练，只共享模型参数更新
- 多中心发现：跨医院、跨国研究协作无需集中原始数据
- 法规合规：天然适配 GDPR、HIPAA 等数据保护法规
- 泛化能力：在多样化数据上训练的模型通常更稳健
趋势六：生成式蛋白质设计——超越自然多样性
BIO 2026 的一场会议指出：药物发现长期以来受限于自然中存在的蛋白质范围、样本可用性、时间和资金。如今，药物猎人正在通过生成式 AI 模型绕过这些限制——探索一个远远超越自然蛋白质多样性边界的广阔化学设计空间。
这一趋势的技术基础包括：
- 扩散模型：从噪声中逐步去噪生成蛋白质结构，如 RFdiffusion、Boltz 系列模型
- 逆折叠：给定目标结构，设计能折叠成该结构的氨基酸序列，如 ProteinMPNN、LigandMPNN
- 共折叠模型：同时预测蛋白质-配体复合物结构，用于 binder 设计验证，如 AlphaFold 3、Boltz-2
- 结构-功能联合优化：不再只是设计结构，而是直接对功能（结合亲和力、催化活性）进行梯度优化
会议还讨论了 AI 如何重塑天然免疫系统的药物发现——AI 正在以前所未有的分辨率揭示先天免疫信号，并改变公司运行实验的方式，闭合计算与实验室之间的环路（closing the loop between computation and the lab）。
趋势七：AI平台真伪之辨——从"告诉我"到"给我看"
BIO 2026 最具争议性的会议之一直面了一个行业痛点：AI 已成为生物技术公司定位药物发现平台时的广泛标签。但什么真正定义了一个 AI 平台？
会议指出：进入 2026 年，核心挑战不再是 AI 能否支持创新，而是哪些 AI 平台能够展示可衡量的价值。讨论围绕：
- 超越算法：真正的 AI 平台不只是"有先进算法"或"有生物学声明"——它需要端到端的科学对齐和跨职能整合
- 从概念到执行：AI 已从概念走向执行，但将算法转化为可行动的洞察需要深度的科学对齐和跨职能整合
- 合作模式重塑：AI 驱动的发现和多模态、以人为中心的数据集正在重塑生物制药和数字健康公司的差异化、合作和扩展方式
另一场会议则从反面提出了尖锐质疑："AI 时代专业知识的消亡被严重夸大"。引用 Bernstein Research 和金融时报的数据：2012-2022 年，经通胀调整后，制药 R&D 支出增长近 50% 至约 2500 亿美元，但新药批准数量基本持平。AI 是否真的在改变研发生产力的方程式？这场辩论在 BIO 2026 上仍未有定论，但行业共识正在形成：AI 不会取代有创造力和纪律的药物发现团队，但会重塑它们的工作方式。
全球创新版图：15国Global Innovation Hub
BIO 2026 的 Global Innovation Hub Session 是一场连续的全球巡礼——15 个国家和地区依次展示各自的生物技术创新生态系统。这不仅是招商引资活动，更是一幅全球生物创新版图的重绘。
| 国家/地区 | 定位 | 核心优势 |
|---|---|---|
| 魁北克（加拿大） | 精准医学枢纽 | Abbott/GSK/Merck/Moderna/Nova rtis入驻，AI/生物信息学/基因组学强校，税收优惠 |
| 首尔（韩国） | 亚洲临床创新枢纽 | 1200+生物技术公司，全民医保覆盖，大规模真实世界数据，全球临床试验领先 |
| 瑞典 | 北欧生命科学中心 | Stockholm-Uppsala/Gothenburg/Medicon Valley三大枢纽，精准医学/可持续性/患者中心护理 |
| 加泰罗尼亚（西班牙） | 欧洲研发枢纽 | Horizon项目人均#1，ERC资助#4，1650家公司，2025年投资5.17亿欧元（82%国际VC） |
| 法国 | HealthTech生态 | France Biotech（1997年成立），Lyonbiopôle健康创新集群，ATMP/肿瘤/神经/感染病 |
| 昆士兰（澳大利亚） | 亚太门户 | Gardasil疫苗发源地，UQ分子钳技术（ViceBio/Sanofi推进），生物制造基础设施 |
| 日本 | 生物制药增长战略 | JETRO+METI联合推进，药物发现初创企业扶持，全球合作市场进入 |
| 台湾 | 精准健康+数字健康 | 细胞治疗/数字健康/CDMO法规，生物医学产业集群 |
| 英国 | 全球生命科学投资目的地 | DBT跨政府/产业/NHS协作，R&D/临床试验/制造/商业化全链条支持 |
| 瑞士 | 融资与合作枢纽 | 1500+瑞士生物技术公司，融资/合作/国际协作趋势 |
| 意大利 | 制药与生物技术 | 活跃的制药与生物技术产业投资机会 |
| 荷兰 | 欧洲生命科学门户 | 公私合作，世界级研究基础设施，集成健康数据系统，价值导向医疗 |
| 墨西哥州 | 拉美生命科学枢纽 | 制药制造/研究/临床开发，MEXBIO Pavilion，Plan México国家战略 |
| 安得拉邦（印度） | 生物制造枢纽 | Visakhapatnam增长中心，生物技术园区+Quantum BioFoundry，BioE3政策 |
| 阿布扎比（UAE） | 基因组+AI+临床融合 | 90万+基因组计划，8-15天临床试验审批，HELM Cluster，生物融合前沿 |
三个关键趋势从这 15 国展示中浮现：
第一，bioconvergence（生物融合）成为国家战略。 阿布扎比将其定位为"基因组学、AI 和临床交付在前沿交汇"的主权支持环境。安得拉邦正在建设 Quantum BioFoundry。加泰罗尼亚吸引了阿斯利康 13 亿欧元的全球枢纽。各国不再将生物技术视为单一产业，而是作为 AI、量子计算、基因组学和数字健康的融合点。
第二，数据基础设施成为核心竞争力。 首尔的全民医保覆盖提供大规模真实世界数据。阿布扎比拥有全球最大基因组计划（90 万+基因组）。荷兰的集成健康数据系统。台湾的数字健康法规。数据获取能力正在成为国家生物创新竞争力的关键变量。
第三，法规敏捷性成为差异化优势。 阿布扎比 8-15 天临床试验审批。台湾的细胞治疗/数字健康/CDMO 法规。墨西哥的 Plan México。能够快速适应新疗法和新技术的法规框架正在吸引全球投资。
AI采纳基准：Benchling数据揭示行业现状
BIO 2026 AI Summit 的开场会议提供了来自 Benchling 的最新数据：生物技术行业的 AI 采纳率——按组织规模、临床开发程度和治疗模式进行基准对比。这些数据帮助引导未来的资源配置决策。
专家讨论了哪些 AI 用例正在找到最强的 ROI，以及哪里炒作仍超过现实。这场会议的重要性在于：它提供了行业级量化基准，而非个案叙事。在 AI for Science 领域，我们经常听到引人注目的成功案例，但缺乏系统性的采纳数据。Benchling 作为全球领先的实验室数据管理平台，其数据具有行业代表性。
同场的另一场会议则从产业实践角度切入：来自制药、AI 技术、生命科学平台、CRO 和专业生物技术 AI 公司的领袖共同审视 AI 如何在当今生物制药中交付切实价值。讨论涵盖：
- 从 AI 试点到规模化实施的演进
- AI 有意义地加速药物发现的具体案例
- 改善 R&D 生产力的实际路径
- 规模化实施中遇到的组织和技术障碍
Genentech 50周年：生物技术产业的诞生与未来
2026 年，Genentech 迎来 50 周年——这不仅是公司的里程碑，更是生物技术产业本身的诞生纪念。BIO 2026 以此为契机，举办了一场特别会议，回顾行业 50 年演进历程，并讨论加速和复杂化行业未来的力量。
从 1976 年 Genentech 成立时"重组 DNA 技术能否制造药物"还是一个学术问题，到 2026 年 AI 正在重新定义药物发现的边界——这 50 年的生物技术史，本质上是一部计算能力与生物学理解共同进化的历史。
BIO 2026 的 Super Session 将这一回顾与前瞻结合：行业从基因工程到蛋白质工程，从高通量筛选到 AI 驱动设计，从单一靶点到多组学整合——每一次范式转移都伴随着新工具的出现和新组织的诞生。AI 是否正在驱动下一次范式转移？BIO 2026 的回答是肯定的，但路径远比预期复杂。
总结：2026是AI+Science的分水岭
系统梳理 BIO 2026 的 100+ 场会议和 15 国 Global Innovation Hub 后，七个趋势清晰浮现：
| # | 趋势 | 成熟度 | 影响时间线 |
|---|---|---|---|
| 1 | Agentic AI 自主决策 | 早期-中期 | 2-5年 |
| 2 | 生成式基因组学 | 早期 | 3-7年 |
| 3 | 量子计算药物发现 | 概念验证 | 5-10年 |
| 4 | AI临床试验自动化 | 中期 | 1-3年 |
| 5 | 联邦学习跨机构协作 | 中期 | 1-3年 |
| 6 | 生成式蛋白质设计 | 中后期 | 正在发生 |
| 7 | AI平台价值验证 | 进行中 | 1-2年 |
BIO 2026 传递的核心信号是：2026 年是 AI+Science 的分水岭。行业讨论已经从"AI 能否帮助药物发现"转向"AI 如何从根本上重塑药物发现和交付"。从 Agentic AI 的自主决策到生成式基因组学的数据创造，从量子计算的长期潜力到联邦学习的即时协作，AI 正在从生物技术的"辅助工具"演变为"驱动引擎"。
与此同时，全球创新版图正在重绘。15 个国家和地区的展示表明：生物技术创新不再是少数发达国家的专利——从亚洲的临床枢纽到中东的基因组计划，从北欧的精准医学到拉美的制造基地，bioconvergence（生物融合）正在成为全球性的国家战略。
对于研究者和决策者而言，BIO 2026 提供了一份清晰的路线图：关注 Agentic AI 的实际落地、跟踪生成式基因组学的数据质量验证、评估联邦学习在跨机构协作中的可行性、参与全球创新网络的构建。AI+Science 的下一个十年，正在 2026 年的圣迭戈被定义。
人员技术背景：谁在定义AI+Science的议程
BIO 2026 的议程由 50 人组成的 Program Committee 设计，涵盖 AI 原生公司高管、传统药企政策领袖、投资机构合伙人及学术-产业桥梁人物。通过 web search 深入挖掘这些关键人物的技术背景，可以揭示 AI+Science 议程背后的知识结构、职业轨迹和权力分布。
Karen Akinsanya — Schrödinger：从端到端药物发现到物理+AI融合
Karen Akinsanya, Ph.D.，Schrödinger 公司 President of R&D, Therapeutics & Chief Strategy Officer, Partnering。她的职业轨迹堪称"从实验室到计算"的教科书案例：
- 学术根基：伦敦帝国理工学院（Imperial College London）内分泌生理学博士，后在 Ludwig Institute for Cancer Research 和帝国理工学院进行博士后训练
- Ferring Pharmaceuticals（1997-2005）：从高级科学家到分子细胞生物学总监，领导发现了与 DPPIV 相关的二肽基肽酶家族，并完成 FIRMAGON®（前列腺癌药物）的临床前表征——该药物后来获 FDA 批准
- Merck Research Labs（2005-2017）：12年间从临床药理学副总监晋升至业务发展与许可早期评估副总裁（Associate VP, Early Scientific Assessment Lead），领导心血管和代谢疾病发现实验室，并负责 pre-POC 许可团队，引入 30+ 管线和新技术的机会
- Schrödinger（2018-至今）：先任 Chief Biomedical Scientist，2022年升任现职。领导 150 人的治疗团队，负责临床前药物发现、转化研究和早期临床开发。核心使命：将 Schrödinger 的物理模型（FEP+、分子动力学）与机器学习融合，在结构导向药物设计中实现"准确性和规模"的统一
她的关键洞察在于：早在 1990 年代末就提出"应该用遗传学和基因组学来做药物发现"——当时这一观点被视为激进，如今已成为行业共识。在 Schrödinger，她推动了从"卖软件"到"自主药物发现"的转型，这是公司 2020 年 IPO 的关键因素之一。她还是 Thermo Fisher Scientific 董事会成员。
Alex Zhavoronkov — Insilico Medicine：生成式AI药物发现的全球先驱
Alex Zhavoronkov, Ph.D.，Insilico Medicine 创始人兼 CEO。拉脱维亚裔科学家，在生物技术、再生医学和衰老经济学领域跨界工作：
- 2014年创立 Insilico Medicine，总部位于波士顿，在香港科学园和纽约设有设施
- 开发了端到端生成式 AI 平台 Pharma.AI，包含三个核心模块：
- PandaOmics：AI驱动的靶点识别和疾病机制分析
- Chemistry42：生成式化学分子设计
- InClinico：预测 Phase II 到 Phase III 临床试验结果
- 里程碑成就：全球首个由 AI 发现并设计的药物（TNIK 抑制剂，治疗特发性肺纤维化）已进入 Phase IIa 随机临床试验——2024年发表于 Nature Medicine
- 商业合作：与 Sanofi 签署高达 12 亿美元的战略研究合作——这是 Insilico 迄今最大的合作交易；与 Fosun Pharma 合作推进 QPCTL 抗癌项目的 IND 申报
- 学术影响力：Clarivate 全球高被引科学家（2022、2024），Deep Knowledge Analytics 评选的"全球 AI 药物发现 100 强领袖"（2019）
- 同时担任英国 Biogerontology Research Foundation 董事，致力于衰老研究的科学政策
Zhavoronkov 的独特之处在于：他不是在用 AI 优化传统药物发现流程，而是从零构建了一个全新的端到端 AI 药物发现范式——从靶点到分子到临床试验预测，全链条 AI 驱动。Insilico 的 Pharma.AI 平台利用数百万数据样本和多模态数据类型来发现疾病特征、识别新靶点、生成新分子，并预测临床试验结果。
BigHat Biosciences 团队 — AI抗体设计的"湿实验室+ML"融合范式
BIO 2026 Program Committee 中有两位 BigHat Biosciences 高管，反映了 AI 抗体设计在行业议程中的权重：
Mark DePristo, Ph.D.（联合创始人/CEO，非委员会成员但技术背景关键）：
- 西北大学计算机科学与数学学士，剑桥大学生物化学博士（Marshall Scholar），哈佛 Damon Runyon 癌症研究 Fellow
- 曾任 Google Brain 基因组学团队创始人、Broad Institute 医学与群体遗传学联合主任
- 学术论文被引用 110,000+ 次——在基因组学和生物信息学领域具有世界级影响力
- 2019年创立 BigHat，愿景：将 AI/ML 嵌入研究管线最前端，而非仅作为末端分析工具
Elizabeth (Liz) Schwarzbach, Ph.D.（CBO，Program Committee 委员）：
- Merck Research Labs 生物学家出身，宾夕法尼亚大学医学院神经药理学博士
- L.E.K. Consulting 生命科学实践（增长、组合和投资策略经验）→ GSK R&D 战略团队 → NYSCF Research Institute CBO → BigHat CBO（2020年）
- 在 BigHat 推动 AI 抗体平台的商业化，包括与 J&J 的战略合作
BigHat 的核心平台 Milliner™ 将合成生物学高速湿实验室与最先进机器学习技术整合为全栈抗体发现和工程平台。其 RADS（Reccy Antibody Design Studio） 每周训练一个"竞争性模型动物园"（competitive zoo of models），选择最佳模型设计下一周抗体——这种快速迭代的设计-构建-测试循环（design-build-test cycle）使 BigHat 能在数周内完成传统方法需要数月的抗体优化。公司已融资超过 1 亿美元（B轮），入选 Business Insider 2023 年"最有前景的生成式 AI 初创公司"榜单。
Mara Aspinall — Illumina Ventures：从诊断产业领袖到基因组学投资人
Mara Aspinall, MBA，Illumina Ventures 合伙人。她的职业轨迹横跨诊断产业和风险投资：
- 教育：哈佛商学院 MBA，塔夫茨大学国际关系与中国学学士，卡内基梅隆/NACD 网络安全监督认证
- Genzyme Corporation（13年）：先后担任 Genzyme Genetics 和 Genzyme Pharmaceuticals 总裁。将 Genzyme Genetics 从一个小型专业玩家转变为美国前五临床实验室，后以 10 亿美元出售给 LabCorp
- Ventana Medical Systems（Roche）：总裁兼 CEO，领导这个罗什集团的十亿美元级部门，推出 20+ 重大仪器和检测试剂，确立全球伴随诊断领导地位
- BlueStone Venture Partners：联合创始人兼管理总监，投资诊断、医疗器械和数字健康公司
- Illumina Ventures（2023-至今）：合伙人，专注基因组学、诊断和精准健康投资。投资组合包括 Genome Medical、Predicta Biosciences、Syntax Bio
- 教育贡献：在亚利桑那州立大学联合创建了全美唯一的生物医学诊断硕士项目
- COVID-19：疫情期间成为国家级检测权威，担任洛克菲勒基金会 COVID 政策报告共同作者，创建 TestingCommons.com 和 EvidenceCommons.com
Aspinall 的独特价值在于：她同时理解诊断技术、商业化和投资逻辑三重维度。在 BIO 2026 的 AI 议程中，她代表了投资人对"AI+诊断"赛道的判断标准——不仅看技术新颖性，更看临床验证和商业可行性。
Beth Rogozinski — Oncoustics AI：从数字疗法到AI超声诊断
Beth Rogozinski，Oncoustics AI CEO。硅谷资深 deep tech 和 health tech 高管：
- Pear Therapeutics：创始团队成员，该公司开发了首个 FDA 批准的处方数字疗法（用于治疗物质使用障碍）
- Oncoustics AI：CEO，专注于利用机器学习分析超声设备的原始声音数据，创建组织声学生物标志物（tissue acoustic biomarkers），用于慢性疾病的早期诊断和管理。首个应用领域：肝病——利用超声信号进行肝纤维化和脂肪变性的无创评估
- 核心创新：不依赖高端影像设备，而是从标准超声的原始射频信号中提取组织微结构信息，用 ML 模型将其转化为诊断标志物
Rogozinski 的轨迹代表了 AI+Science 的一个重要分支：AI增强的低成本诊断。不是用更贵的设备，而是用 AI 从现有设备的信号中提取更多信息——这在资源有限的环境中具有巨大潜力。
Darren Platt — Montage Bio：从基因组学先驱到首席数据官
Darren Platt，Montage Bio 首席数据官。生物信息学和基因组学的早期先驱：
- Sanger Centre（1995-1997）：在人类基因组计划的核心机构之一工作，处于基因组学革命的最前沿
- Exelixis（1997-2004）：生物信息学总监，将基因组学方法应用于模式生物和药物靶点发现
- LinkedIn 评价："对生物信息学有着明显的热情，甚至在业余时间开发了一个复杂的基因组组装器"
- 在 Montage Bio 担任 CDO，负责生物数据工程和计算生物学战略
Platt 的职业轨迹从 Sanger Centre 到 CDO，折射出生物信息学从"学术工具"到"企业核心能力"的演变——这正是 AI+Science 时代的关键趋势：数据治理能力成为药企的核心竞争力。
传统药企政策与法规领袖
| 姓名 | 职位 | 机构 | 关注方向 |
|---|---|---|---|
| Rasika Kalamegham | Head, US Regulatory Policy | Genentech | AI药物法规、监管政策 |
| Christina Hochul | Senior Director, US Policy and Research | Bristol Myers Squibb | 政策研究、证据标准 |
| Elizabeth Franklin | Head, US Public Affairs and Patient Advocacy, Oncology and Neurology | Sanofi | 患者倡导、肿瘤/神经 |
| Greg Frank | Director, Global Public Policy | Merck | 全球公共政策 |
| Lauren Tobe | Director, Global Regulatory Policy & Strategy | Eli Lilly | 全球监管策略 |
| Sarah Walinsky | Director, Regulatory Policy and Intelligence | Novartis | 监管政策与情报 |
| Ashley John | Director, Issue Advocacy | Novartis | 议题倡导 |
这些法规领袖来自全球排名前十的药企，他们的共同关注点是：如何在现有 FDA 框架下接纳 AI 生成和 AI 辅助的证据。Genentech（Roche 旗下）作为全球生物技术先驱，其监管政策负责人 Rasika Kalamegham 的角色尤为关键——Genentech 正在将 AI 应用于从靶点识别到临床试验设计的全流程，监管政策的适配速度直接决定了 AI 产出的能否转化为上市产品。
投资与产业战略领袖
| 姓名 | 职位 | 机构 | 关注方向 |
|---|---|---|---|
| Mara Aspinall | Partner | Illumina Ventures | 基因组学投资、诊断AI（详见上文） |
| Drew Cutshaw | Principal | Pappas Capital | 生命科学投资 |
| Andrew Lam | Managing Director, Head of Biotech Private Equity | Ally Bridge Group | 生物技术私募 |
| Nancy Hong | Managing Partner | HiTide Venture Capital | 早期风投 |
| Susie Harborth | Founder | Inspira Fund | 创业投资 |
| Arda Ural | America's Life Science Sector Leader | Ernst & Young (EY) | 生命科学产业战略 |
| Luba Greenwood | CEO | Gallop Oncology | 肿瘤药企战略 |
人员结构分析：AI+Science的人才图谱
通过 web search 深入挖掘 Program Committee 关键人物的技术背景后，可以提炼出五个关键信号：
第一，AI原生公司与传统药企共治。 Schrödinger 的 Akinsanya（物理模型+AI药物设计，30年药企经验）、Insilico Medicine 的 Zhavoronkov（生成式AI端到端药物发现，首个AI药物进入Phase II）、BigHat Biosciences 的 Schwarzbach（AI抗体设计+湿实验室融合）——这些 AI 原生公司的高管与传统药企（Genentech、BMS、Sanofi、Merck、Lilly、Novartis）的政策领袖共同设计议程，说明 AI+Science 的讨论已经不再是"AI 公司向药企推销"，而是双方共同定义问题空间。
第二，计算+生物的交叉背景成为标配。 Akinsanya（内分泌生理学博士→Merck临床药理学→Schrödinger计算药物设计）、DePristo（CS+数学学士→剑桥生化学博士→Google Brain基因组学→BigHat AI抗体）、Schwarzbach（Merck生物学→宾大神经药理学博士→L.E.K.咨询→GSK战略→BigHat CBO）——这些领袖的共同特征是跨越了计算和生物的边界。AI+Science 时代最稀缺的人才不是纯 AI 专家或纯生物学家，而是能同时理解两个领域并翻译两者语言的"双语者"。
第三，数据与法规成为关键能力。 委员会中有 Chief Data Officer（Darren Platt, Montage Bio，从 Sanger Centre 到企业 CDO 的轨迹）、多位 Regulatory Policy 负责人（Genentech、Lilly、Novartis）、专利律师（Kevin Noonan, MBHB LLP）。这反映了一个现实：AI+Science 的瓶颈不在算法，而在数据治理和法规适配。谁能在 FDA 的框架下证明 AI 生成数据的可靠性，谁就能抢占先机。
第四，投资人的视角不可忽视。 Aspinall（Illumina Ventures，30年诊断产业经验，从 Genzyme 到 Ventana 到 VC）、Pappas Capital、Ally Bridge Group、HiTide VC——多位投资合伙人参与议程设计，说明 AI+Science 的叙事不仅仅是技术叙事，也是资本叙事。Aspinall 的背景尤其有代表性：她既理解诊断技术（领导 Ventana 20+ 产品发布），又理解商业化（Genzyme Genetics 10亿美元退出），又理解投资（BlueStone VC 创始人）。哪些 AI 平台能展示可衡量的价值（tangible value），哪些就能获得下一轮融资。BIO 2026 多场会议聚焦"AI 平台真伪之辨"，背后正是投资人对 ROI 的迫切追问。
第五，学术-产业桥梁角色至关重要。 Stanley Maloy（San Diego State University，微生物学教授兼创新副总监）、Sadhana Chitale（NYU Langone Health，技术转移）、Gail Gannon（UC Berkeley，Neurotech Collider Lab）——这些委员代表了学术界在 AI+Science 生态中的桥梁角色。技术转移、学术创业、校企合作是 AI 从论文走向药企的关键管道。DePristo 从 Broad Institute 到 Google Brain 再到创业的轨迹，正是这种桥梁角色的极致体现。
信息来源：BIO International Convention 2026 官方议程（convention.bio.org/program/2026-program）、AI Summit 议程（convention.bio.org/program/ai-summit）、Program Committee（convention.bio.org/program/2026-program-committee）、AI Implementation 会议列表（convention.bio.org/ai-implementation）。人员背景信息来源：karenakinsanya.com、LinkedIn、C&EN（cen.acs.org）、Insilico Medicine 官网及 Wikipedia、Illumina Ventures 官网、BigHat Biosciences 官网（bighatbio.com）、GEN（genengnews.com）、Crunchbase、Oncoustics/DayOne、GenomeWeb。本文基于公开信息整理分析。