从“筛分子”到“设计分子”:分子之心推进AI制药实验验证
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。
研究通过计算建模将三种天然 bZIP 相互作用组重配置为可编程生化逻辑基底,不改变实测结合亲和力。质量作用平衡建模与遗传优化显示,未工程化 bZIP 簇最多计算 16 种双输入布尔函数中的 15 种(含 XOR、XNOR),在三输入 17 门基准中最多计算 13 种。随机扰动下,多种优化配置在浓度波动下仍保持逻辑态分离;无量纲缩放框架指向无细胞实现。
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 与 Google DeepMind 公布联合生物韧性方案,聚焦前沿 AI 模型应对生物安全风险。该方案关注自然生态系统变化、全球旅行和 AI 潜在滥用带来的风险,并希望提升社会对未来疫情等事件的韧性。
研究提出一种物理驱动、PLM 辅助的高保真 CRISPR-Cas 核酸酶设计方法,用原子级分子动力学模拟和自动路径搜索获取 R-loop 构象变化的动力学洞察。该方法能定位靶点识别早期降低保真度的蛋白残基,并联合 PLM 过滤这些位点的突变体。由此获得高保真 SpyCas9 和 FnCas12a 变体,分别较野生型提升 4.49 倍和 6.69 倍,超过此前报道的同类变体,且仅需少量湿实验验证。
研究人员构建出 Gs 偶联的可光切换 optoGPCR optoDRD1,可将 JSR1 的 Gq/i 活性转向 DRD1 的 Gs 通路。
研究提出 ESM3-PPISites,利用多模态蛋白质语言模型 ESM3 结合进化上下文与3D几何进行残基级蛋白质相互作用界面分类,推理时无需复杂结构输入,并在多套训练集和基准集上超过现有方法。
作者提出 TREAD,一个直接基于蛋白质语言模型嵌入的监督式重复序列注释框架,将重复检测重构为残基级注释问题。在 RepeatsDB 和 Pfam 的互补基准上,TREAD 与基于 profile 的 HMMER 持平或更优,尤其在低数据和高差异场景。作者还用 TREAD 扫描 AlphaFold Database 和代表性蛋白质组中的 β-螺旋桨蛋白,生成该折叠的综合普查。
ConforFlux 是一种面向 Boltz-2 的推理时方法,通过在主干单/对嵌入上施加成对 C-RMSD 排斥梯度来耦合并行结构预测轨迹,且无需重新训练模型。
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。
Buchel 等用高通量FRET筛选数百万条随机蛋白序列,在未进化序列空间中发现多种可分辨的物理表型。这些表型无法用可溶与聚集的简单二分法概括,且可由序列预测。反复筛选更强FRET会降低群体溶解度,提示仅靠邻近性筛选不一定偏向类生物蛋白状态。
推荐理由:研究把高通量FRET筛选、生物物理表征与序列建模结合,读者可据此理解随机蛋白序列空间中的结构差异为何可被预测。
研究团队筛选AI设计的minibinders,鉴定出合成蛋白混合物C6-DPC,可高效驱动人类成纤维细胞向肌肉转分化并实现结构与代谢成熟。C6-DPC通过激活促肌生成的FGFR1/2c通路并抑制ALK1和TGFBR2等抗肌生成信号发挥作用,靶向去除ALK1即可降低重编程屏障。
推荐理由:研究把AI设计蛋白配体用于受体信号重编程,为人类成纤维细胞向肌肉转分化提供了可复用的分子干预路径。
FBA-Hyb 框架将基因组尺度代谢网络通过通量平衡分析(FBA)嵌入混合模型,并用符号回归生成的代理替代 FBA 优化步骤。在两套大肠杆菌补料分批案例中,留一过程交叉验证的预测精度 R2 平均提升 42%,外推时仍保持化学计量可行性;标准架构在 22% 的分析案例中产生化学计量不一致解。第二项案例还模拟未测量化学物种,并发现硫酸盐限制条件下的代谢转变。
研究团队提出 HERCULES 框架,将微调的 ProteinBERT 与残基级理化描述符结合,用于 RNA 结合倾向预测、位点定位和氨基酸替换影响评估。在独立基准上,HERCULES 区分 RBP 与非 RBP 的 AUROC 为 0.86,并在残基分辨率下富集注释的相互作用区域。
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。
研究团队提出 ARIES,一种利用蛋白质语言模型生成的嵌入向量构建多序列比对的算法。作者引入窗口互加权嵌入相似度指标,并用动态时间规整把每条序列对齐到 PLM 生成的模板嵌入,从而构建全局 MSA。在多个基准数据集上,ARIES 在低相似度区间的准确率高于现有方法,且计算量随待比对序列数接近线性增长。
研究以 PDB 中 α-synuclein 结构的 TM-score 聚类作为已知多晶型参照,评估 AlphaFold 3、Boltz-2 和通过 ABCFold 运行的 OpenFold 3。
Isomorphic Labs 宣布任命 Max Jaderberg 为公司总裁,任命于 2026 年 1 月 1 日生效,他将从首席 AI 官转任该职。现任总裁 Colin Murdoch 将在带领公司走过突破阶段后卸任。Jaderberg 是公司创始团队成员,曾从零构建公司的 AI 方法并主导开发 AI 药物设计引擎,该引擎用于探索新化学空间和此前难以处理的靶点,以及更快更精准地设计候选药物。
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。
Isomorphic Labs 创始成员 Max Jaderberg 将于2026年1月出任公司总裁,他在访谈中谈及药物设计引擎的进展与下一阶段规模化。该引擎已让一键式分子设计在公司内部成为常态,并找到可引发功能性生物响应的全新化学物质;公司正推进内部及与 Novartis、Lilly 的合作项目走向临床。
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。
一项针对14个蛋白质设计模型的分析发现,控制蛋白家族和实测生物物理性质后,骨架条件评分的物种级差异有91%至93%可被消除,而仅序列似然只消除15%至29%。骨架条件模型偏好古菌和嗜热蛋白,序列模型偏好真核蛋白,这些偏好与紧凑度、堆积和电荷相关并传播到重设计序列。进一步用极端微生物分泌组训练 ProteinMPNN 会改变设计表面化学而结构代价很小,但物种排名基本保留。
研究提出基于 Potts 模型的蛋白质序列设计方法 Caliby,可用输入骨架生成的合成结构系综作为条件来采样序列,并在提升可设计性的同时降低天然序列恢复率。设计序列中非接触残基间协变减少、能量挫败降低,且该策略可泛化到不同序列设计模型。作者据此设计了热稳定蛋白、功能性镧系结合蛋白和可溶性膜蛋白变体,其中一种五聚体组装经冷冻电镜确认。
推荐理由:材料对比天然序列恢复率与可设计性的权衡,并用热稳定蛋白等设计案例展示系综条件化的跨模型适用性。
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。
研究团队提出结构引导 RNA 基础模型 structRFM,基于 2100 万条 RNA 序列-结构对预训练,并公开数据集、模型权重和源代码。模型通过配对匹配操作把碱基配对相互作用融入掩码语言建模,同时提出多源二级结构集成 MUSES 以缓解预测器偏差,并用动态掩码比例平衡结构引导与核苷酸级掩码。
推荐理由:材料给出 2100 万条序列-结构对、开放权重和源代码,便于比较结构引导预训练模型与 AlphaFold3 在 RNA 结构任务上的表现。
Dr. Ben Wolf 出任 Isomorphic Labs 首席医疗官,拥有近20年将科学突破转化为患者获益的经验,曾任 Relay Therapeutics 首席医疗官。他期待借助 AlphaFold 传承和统一药物设计引擎,将平台洞见转化为患者影响。他将组建团队、建立美国业务,依托波士顿和剑桥地区的药物开发人才与学术医院资源。
研究团队提出 Mantpy 框架,将细胞外基质及其与细胞的界面表示为空间图,用于空间蛋白质组学中的细胞与 ECM 联合分析。该框架支持从单一 ECM 标记扩展到多重细胞-ECM panel,可从 IV 型胶原单独恢复肠道分层组织结构、量化小鼠肝脏中感染相关 ECM 重塑,并在小鼠肺中关联细胞与周围基质。
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。
bioRxiv 预印本中,研究团队提出 mRNArchitect,一个用于 mRNA 药物序列设计与优化的软件工具包。该工具按密码子使用、二级结构和可制造性优化序列,支持针对短或长表达谱的策略以及疫苗、细胞和基因治疗等应用,并提供 UTR、microRNA 结合位点和调控元件库。
研究团队提出从头设计与筛选耦合的方法,识别出能引导特定金属氧化物矿化的蛋白界面,包括生物系统中不存在的材料。他们找到两个在通常生成磁铁矿条件下促进赤铁矿生长的界面,以及三个在传统 ZnO 结合肽和对照蛋白无效时促进异质 ZnO 成核的界面。
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。
研究团队将广泛使用的 RNA 二级结构设计基准 Eterna100 改版为 Eterna100-V2,以适配 ViennaRNA 2 折叠引擎。用六种 RNA 设计算法测试后,他们发现训练或评估所用折叠引擎会改变算法表现。