IsoDDE 说自己超越 AlphaFold 3：AI 开始从“看懂蛋白质”走向“设计药物”
林岚｜OC 开发者生态编辑
林岚｜OC 开发者生态编辑
据 Isomorphic Labs 发布的技术说明，其新药物设计引擎 IsoDDE 在若干蛋白质与配体结构预测、抗体界面和结合亲和力任务上超过 AlphaFold 3。公司称，在一项专门考察陌生蛋白口袋与陌生配体的困难测试中，IsoDDE 的准确率达到 AlphaFold 3 的两倍以上。
一句话结论： IsoDDE 真正跨出的一步不是把 AlphaFold 排名往下挤，而是尝试把结构预测、结合强度和隐藏口袋发现放进同一套药物设计系统；但目前公开证据主要来自开发者自己的技术报告，离“AI 已经能在电脑里发明新药”还隔着实验验证和临床试验。
AlphaFold 最出名的能力，是根据氨基酸序列预测蛋白质如何折叠。它解决的是一个极难、又非常基础的问题：我们至少要知道生物分子的三维形状，才更容易理解它怎样工作。
可药物研发不只问“它长什么样”。研究人员还要知道一个小分子会不会进入某个口袋，进去以后结合得有多牢，蛋白质会不会为了容纳它改变形状，以及一个从未被注意到的位置是否也能成为药物靶点。结构预测像拿到一张地图，药物设计则要求你在地图上规划路线、估计路况，最后真的把车开到终点。
Isomorphic Labs 是 Alphabet 旗下从 Google DeepMind 分拆出的药物研发公司，也参与了 AlphaFold 3 的开发。它现在强调“beyond AlphaFold”，并不是说 AlphaFold 失效，而是说只有结构预测还不足以完成真实药物项目。
它具体超过了什么
公司展示的第一个结果来自 Runs N' Poses 基准。这个基准刻意把测试对象与训练数据拉开距离，考察模型面对陌生蛋白口袋和陌生配体时是否仍能给出正确结构。IsoDDE 在相似度最低、也最困难的一组上，准确率超过 AlphaFold 3 的两倍。
这个数字很亮眼，却不能被翻译成“IsoDDE 整体比 AlphaFold 3 强两倍”。它只描述一个基准的一个困难分组，而且“准确率翻倍”还要结合原始基数理解：从很低的成功率提升一倍，与从 45% 提升到 90%，意义完全不同。公司公开页面没有把这一句话扩展成通用胜率。
第二项是抗体与抗原界面。Isomorphic Labs 称，在 334 个低同源测试样本中，以 DockQ 大于 0.8 的高质量预测为标准，IsoDDE 达到 AlphaFold 3 的 2.3 倍、Boltz-2 的 19.8 倍。这里同样是“达到高质量门槛的比例之比”，不是所有坐标都精确了 19.8 倍。
第三项更接近药物设计：结合亲和力。模型不仅要判断分子放在哪里，还要估计它与目标结合得多强。公司称 IsoDDE 在 FEP+ 4、OpenFE 和 CASP16 盲测上超过其他深度学习方法，并可在部分测试中超过计算成本很高的物理方法。
最有意思的是“找出没人告诉它的口袋”
IsoDDE 的一个演示对象是 cereblon。研究人员长期主要关注它与沙利度胺相关的经典结合口袋，后来实验发现另一个远离传统位置、平时还可能隐藏起来的口袋。Isomorphic Labs 称，只输入 cereblon 的氨基酸序列，不告诉模型配体身份，IsoDDE 就标出了已知口袋和这个新发现的隐匿口袋；加入配体后，它还能预测配体在口袋中的方向。
如果这项能力能稳定推广，价值不只是节省一次结构实验。很多蛋白质过去被认为“不可成药”，原因之一就是研究者不知道该从哪里抓住它。模型如果能提出值得实验的隐藏位置，就能扩大候选靶点范围。
但这里的措辞必须克制：IsoDDE 是在实验发现之后“重现”了这个口袋，不是先于实验独立发现并推动了一款药物上市。回放一道已经知道答案的难题很有价值，却和前瞻预测仍有差别。
为什么预测准了仍然不等于药做出来了
药物候选物还要面对毒性、代谢、剂量、选择性、制造和人体差异。一个分子在计算中结合得漂亮，可能进不了细胞，也可能同时干扰其他蛋白，甚至在动物实验阶段就失败。
更现实的价值是缩小搜索空间。传统流程可能要合成和测试大量分子，AI 如果能更早排除明显失败者，把实验资源集中到更可能成功的候选物上，即使不能取代实验，也能减少时间和成本。AI 药物设计最可信的指标最终不是模型基准，而是它提出的全新分子有多少进入临床、成功率是否提高、研发周期是否真正缩短。
Isomorphic Labs 已经与制药公司合作，也在推进自己的研发管线，但这次发布没有给出由 IsoDDE 设计的新药完成临床验证的结果。现在看到的是一台更强的候选生成与评估引擎，不是自动出药机。
OC 判断
“超越 AlphaFold”是一个好标题，却容易遮住真正的技术变化。AlphaFold 让研究者更容易获得结构，IsoDDE 则想把多个专用预测器组织成一个能反复提出、比较和优化候选方案的系统。这更像从图像识别模型走向设计软件，而不是简单升级一张排行榜。
这次结果值得重视，但证据仍由 Isomorphic Labs 自己提供，技术报告也来自同一团队。下一步应看独立团队能否复现基准，以及模型面对真正未公开结构、未公开实验结果时的表现。药物研发尤其需要防止数据泄漏和测试集相似性把成绩抬高。
关键事实
- IsoDDE 是一套统一药物设计引擎，不只是单一蛋白质结构预测模型。
- 公司称其在 Runs N' Poses 最困难分组中，结构预测准确率超过 AlphaFold 3 两倍。
- 在低同源抗体-抗原测试中，公司报告的高质量预测比例为 AlphaFold 3 的 2.3 倍。
- IsoDDE 还展示了结合亲和力预测和仅凭序列寻找隐匿结合口袋的能力。
- 这些结果主要来自 Isomorphic Labs 的自有技术报告，尚不能代表临床成功。
为什么重要
- 对开发者和研究者： AI 生物工具正在从单次预测转向多模型协作的设计工作流，评估时必须区分结构、亲和力和真实实验结果。
- 对药企： 如果独立验证成立，最直接的收益是减少需要合成和测试的候选物，而不是取消实验室。
- 对普通用户： 更强的模型可能加快新药早期探索，但任何“AI 新药”最终仍要经过安全性和临床疗效检验。
评论
围绕这篇文章补充信息、提出问题或分享观察。