Insilico Medicine 试验用衰老时钟评估药物,分析称其模板意义大于单药结果
Insilico Medicine 在一项特发性肺纤维化 2a 期试验中把 6 个蛋白质组衰老时钟用于留存血清,治疗组预测生物学年龄比安慰剂组低 3 至 4 岁,第 4 周达峰,其中一个模型达 6 岁,分析发表于 Nature Biotechnology。
Insilico Medicine 在一项特发性肺纤维化 2a 期试验中把 6 个蛋白质组衰老时钟用于留存血清,治疗组预测生物学年龄比安慰剂组低 3 至 4 岁,第 4 周达峰,其中一个模型达 6 岁,分析发表于 Nature Biotechnology。
Insilico Medicine 团队在 Nature Biotechnology 报告,蛋白质组学衰老时钟显示 rentosertib 在特发性肺纤维化 Phase 2a 试验中与血清蛋白质组标志物预测的生物学年龄降低相关,但衰老时钟仍受数据噪声、验证标准缺失和因果关联不足限制。尽管已有数百种衰老时钟,这些因素仍限制其临床研究应用。相关试验正在验证并基准测试这些标志物,以推动其纳入监管框架。
MERIT 是机制驱动模型,基于分子与疾病特征预测药物试验结局,并为失败药物提名适应症。在 753 个小分子药物、3,133 项试验中,结构留出评估总体 AUROC 为 0.770,优于两个同试验同折重训方法。机制拟合评分在 50/60(83%)化合物中把获批适应症排在失败适应症前,并注册 55 个 III 期药物-适应症配对的锁定、结局盲法预测。
研究团队提出 AMPainterV2,一个结合混合专家(MoE)策略网络、用生成对抗模仿学习设计膜裂解抗菌肽的模型,策略网络支持插入、删除和突变操作以扩展演化设计空间。
分子之心公布AI从头设计纳米抗体与环肽的阶段性湿实验数据,覆盖TNFα、PD-L1、MDM2等十几个不同类型靶点。TNFα的14个设计纳米抗体中7个显示结合活性、最优亲和力达51皮摩尔,PD-L1的30个候选纳米抗体中26个获得实验命中。相关能力由AI原生生物经济操作系统MoleculeOS与多模态蛋白质基础模型NewOrigin(达尔文)支撑,部分VHH-Fc候选表达量超过1克/升。
分子之心在WAIC 2026期间公布MMDesign环肽从头设计结果,多条候选在p53-MDM2、PD-L1等PPI靶点获湿实验验证。p53-MDM2靶点首轮21条候选中有16条命中,命中率超过70%,最优KD为13.7微摩尔;PD-L1靶点19条候选中有6条经SPR确认结合,最佳KD接近40微摩尔。
Isomorphic Labs 宣布完成 2.1B 美元 B 轮融资,由 Thrive Capital 领投。现有投资方 Alphabet 和 GV 继续参与,新投资方包括 MGX、Temasek、CapitalG 和英国主权 AI 基金。公司称资金将用于支持其 AI 药物设计引擎 IsoDDE、全球业务扩张和药物候选管线推进。
推荐理由:这笔 2.1B 美元融资给出了 AI 药物设计公司的资金规模与投资方阵容,可对照其管线推进节奏。
Isomorphic Labs 公布 IsoDDE 药物设计引擎及技术报告,称其在蛋白配体结构预测、抗体抗原界面和结合亲和力预测上超过 AlphaFold 3。
推荐理由:材料给出 IsoDDE 与 AlphaFold 3、Boltz-2 在结构预测和结合亲和力上的对比数据,可帮助判断 AI 药物设计系统的能力边界。
Isomorphic Labs 宣布与强生达成跨模态、多靶点研究合作,将把其 AI 优先的药物发现方法与强生的靶点生物学和药物开发经验结合。Isomorphic Labs 的基础药物设计引擎可针对小分子、抗体、肽和分子胶等多种模态生成候选药物,本次合作还将覆盖大分子与生物药设计。
推荐理由:原文披露双方合作覆盖多靶点与多种药物模态,可据此观察AI药物发现平台与大型药企的分工及能力边界。
研究者提出 RNA-X,一个基于掩码语言建模的 RNA 相互作用基础模型,用于表征学习、条件 RNA 设计和优化。该模型可设计靶向蛋白、RNA 和 DNA 的 RNA,并支持同时针对多个靶点;其参数量比现有 RNA 基础模型少几个数量级,但在多项下游任务上的表征表现更优。
推荐理由:RNA-X 把 RNA 设计扩展到蛋白、RNA 和 DNA 靶点,并以体外实验和公开预训练模型展示多靶点设计的可行性。
研究团队提出 MicroSPEAR 端到端框架,将蛋白质语言模型预测器 SPEAR 与微流控平台 MicroGrad 结合,用于抗菌肽发现。基于覆盖 15 类孤立栖息地的 4,480 个宏基因组目录,SPEAR 识别出 383,027 条非冗余候选抗菌肽,其中 63.1% 在参考数据库中无可检测同源序列。
推荐理由:读者可了解蛋白质语言模型与微流控如何组成端到端流程,覆盖从宏基因组候选筛选到小鼠感染模型验证。
该研究构建配体感知基准并提出三阶段序列模型,用蛋白质序列和SMILES预测零样本蛋白质-配体结合位点。在过度代表配体测试集上,第二阶段模型的ligand-macro F1为0.5832,高于第一阶段的0.4769;第三阶段在未见配体上取得残基级汇总F1 0.3109、ligand-macro F1 0.2338。
研究团队提出构象自编码器 CyclicCAE,用于快速生成异手性大环肽的能量稳定主链构象和可设计骨架。由于缺乏大型大环数据集,团队用基于物理的模拟在计算机中构建训练集,并显示该方法能捕捉 Protein Data Bank 中大环可及的构象,较 Rosetta GeneralizedKIC 有明显速度优势。
Isomorphic Labs 与 Google DeepMind 发布 AlphaFold 3,可预测蛋白质、DNA、RNA 和配体等分子的结构及相互作用。论文称其在蛋白质与其他分子相互作用的预测上较现有方法至少提升 50%,部分重要类别准确率翻倍。
推荐理由:原文给出 AlphaFold 3 在蛋白质与其他分子相互作用预测上至少提升 50% 的结果,并交代其覆盖 DNA、RNA 与配体的建模范围。
Isomorphic Labs 与 Google DeepMind 开发 AlphaFold 3,可输入蛋白质、DNA、RNA、小分子配体和离子并预测其复合物的 3D 结构。
推荐理由:原文说明 AlphaFold 3 可预测的分子类型与内部使用案例,读者可据此判断它在药物设计流程中的位置。
Isomorphic Labs 与 Google DeepMind 公布新一代 AlphaFold 的进展,模型能对 PDB 中几乎所有分子生成预测,并常达到原子级精度。覆盖范围从蛋白质扩展到配体、核酸及含翻译后修饰的结构。在抗体结合等药物发现相关任务上,它大幅优于 AlphaFold2.3;在蛋白-配体结构预测上超过所报告的最佳 docking 方法,且无需参考蛋白结构或配体口袋位置。
推荐理由:读者可借这份进展更新了解 AlphaFold 从蛋白质扩展到配体与核酸的模型变化,以及它对药物发现流程的意义。