$50B 疑问:如何判断 Isomorphic Labs 的 AI 是否真的有效
Isomorphic Labs 总裁 Max Jaderberg 9 月 29 日发文称"假设已被证明":IsoDDE 引擎在未公开靶点 Target D 上自主搜索化学空间 2 到 4 天,其中一个分子出现浓度-反应曲线。
技术方向
基准、数据集、评测方法与负结果。
共 139 条动态近 30 天 114 条
Isomorphic Labs 总裁 Max Jaderberg 9 月 29 日发文称"假设已被证明":IsoDDE 引擎在未公开靶点 Target D 上自主搜索化学空间 2 到 4 天,其中一个分子出现浓度-反应曲线。
Kosmopoulos 等提出 CheckAMG,将基于注释的病毒辅助基因预测与微调的基因组语言模型结合,用于不依赖注释的发现。在三种生态系统中与 DRAM-V 和 VIBRANT 进行基准对比,CheckAMG 给出更多有强支持的 AMG 判定,并报告辅助生理基因与调控基因。
大型药企正通过与 Anthropic、OpenAI、Google 等合作把 LLM 和智能体引入研发与企业流程,但生产率和投资回报仍缺少量化证据。Novo Nordisk 计划用 Claude Science 测试特定研发工作流,Moderna 的 ChatGPT Enterprise 部署公布了内部 GPT 数量和活跃度,却未跟进生产力评估。
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。
研究提出多肽示例提示(MPEP),将示例肽用甘氨酸间隔拼接成上下文,使单序列蛋白质语言模型无需梯度更新或任务专用重训即可为查询肽打分。在合成模式补全、二级结构分类和 MHC-II 结合肽预测中,基于 ESM-2 与 ProGen2 的结果随示例数量和模型规模提升。
研究团队提出抗原无关的结合位点预测器 AntiSite,它的序列编码器、融合模块和预测头在有结构、无结构两种输入下共享。在五个抗体—抗原基准上,结构感知版本取得最高平均 PR-AUC,纯序列 PR-AUC 普遍低于最强的专用序列基线;其中的结构模态 dropout 让两种推理模式无需重新训练,并零样本泛化到纳米抗体。
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 MAXWELL,一种将蛋白质语言模型预训练学到的概率输出校准为突变稳定性景观的后训练方法。将其应用于 ProteinMPNN 后,在实验测量的稳定性变化基准上优于 ThermoMPNN 等代表性方法;在 DhaA 脱卤酶的十个单点突变设计中,七个(70%)提升热稳定性,其中 G171W 的 ΔT 提升最大,测得 4.91。
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。
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。
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。
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。
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。
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。
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。