人工智能最显著的影响似乎集中在编程领域，但它也可能准备颠覆其他硬科学。
Google母公司Alphabet的药物发现子公司Isomorphic Labs今日宣布，在计算机辅助药物设计方面取得重大突破，该突破使预测分子与蛋白质相互作用的准确性比先前AI模型提高一倍以上——这是开发新药物面临的基本挑战。
该公司推出了Isomorphic Labs药物设计引擎（IsoDDE），这是一个统一的计算系统，研究人员将其描述为对2024年发布的突破性蛋白质结构预测模型AlphaFold 3的重大飞跃。虽然AlphaFold 3彻底改变了科学家预测蛋白质3D形状的能力，但IsoDDE通过解决在计算机上实际设计药物所需的实用挑战，实现了进一步突破。
理解这一突破
要理解IsoDDE的成就，需要了解药物发现的核心挑战：找到能精准嵌入致病蛋白质特定口袋的分子，就像找到与锁匹配的正确钥匙。传统方法需要进行数年实验室实验，测试数千种候选分子，以找出能有效结合的分子。
AlphaFold 3等AI模型因能以惊人准确性预测蛋白质结构而登上 headlines，但在面对真正新颖的生物系统——即与训练数据不同的场景——时表现不佳。这恰恰是实际药物发现发生的场景，因为研究人员通常追求前所未有的靶点或机制。
IsoDDE在三个关键领域展示了显著改进：
新型系统结构预测：在专门设计用于测试AI模型对不熟悉蛋白质-药物组合处理能力的"Runs N' Poses"基准测试中，IsoDDE在最困难案例上达到50%的准确率——超过AlphaFold 3的23.3%成功率。这意味着该系统即使面对从未接触过的蛋白质和药物候选物，也能可靠预测分子结构。
该模型还能预测复杂的生物现象，如"诱导配合"（蛋白质重塑自身以适应结合分子）和"隐秘口袋"（只有在正确分子接近时才会显现的隐藏结合位点）。这些都是先前模型经常错过的复杂现实场景。
结合亲和力预测：知道结构仅是战斗的一半；药物开发者需要了解候选分子与其靶点的结合强度。IsoDDE在结合亲和力预测方面达到0.85的皮尔逊相关系数，超越了需要实验晶体结构且计算时间显著更长的传统基于物理的方法。这使研究人员能够快速对数千种潜在药物候选物进行排序。
口袋识别：或许最引人注目的是，IsoDDE仅需氨基酸序列作为输入就能识别蛋白质上的潜在药物结合位点——无需事先知道药物可能附着的位置。该系统通过重新发现参与标记受损蛋白质以供破坏的蛋白质cereblon上的新型结合口袋展示了这一能力。15年来，科学家认为cereblon只有一种药物结合方式，直到最近研究发现了一个先前隐藏的口袋。IsoDDE仅使用序列数据就识别出了已知和新型位点。
从抗体到阿司匹林
该系统的功能不仅限于阿司匹林等小分子药物。对于胰岛素等大型蛋白质治疗药物这类复杂的生物制剂（如抗体），IsoDDE在预测高质量抗体-抗原相互作用方面比AlphaFold 3高出2.3倍，比竞争模型Boltz-2高出近20倍。
特别值得注意的是IsoDDE在CDR-H3环上的表现，这是抗体中最多变且最难准确预测的区域。这一进步可能为从头设计抗体开辟新可能性，而非通过传统实验室方法发现抗体。
对药物发现的影响
这一公告恰逢AI驱动药物发现的关键时刻。虽然AlphaFold 3加速了基础研究——超过300万研究人员在190多个国家使用免费提供的AlphaFold蛋白质数据库——但将结构预测转化为实际药物开发计划一直具有挑战性。
IsoDDE在提高准确性、速度和广度方面的结合，预示着向真正计算药物设计的潜在转变。基于物理的模拟方法可能需要数小时或数天并需要实验起始结构，而IsoDDE能在无此类约束的情况下几秒内生成预测。
Isomorphic Labs报告称，其药物设计团队已在项目中部署这些能力，用于理解新型结构、识别先前未表征的结合口袋并设计新型化合物。
更大图景
该发展代表的不仅是渐进式改进。通过实现Isomorphic Labs所称的"预测保真度"——涵盖多样生化特性，同时保持对未探索生物系统的泛化能力——IsoDDE解决了制约计算药物设计的基本限制。Google DeepMind首席执行官Demis Hassabis对该领域总体持乐观态度，曾表示人类有望通过AI治愈所有疾病，而Isomorphic Labs此前表示其AI创建的药物即将开始人体试验。
这一切是否能转化为更快、更便宜的药物开发，或使全新类别治疗药物成为可能，仍有待观察。药物发现涉及分子设计之外的许多步骤，包括广泛的临床测试。但至少在计算化学组件方面，工具似乎正在达到新的复杂水平。
随着AI系统在科学领域——从蛋白质折叠到材料科学——展示日益增强的能力，IsoDDE表明，AI最具变革性的影响可能最终不会出现在消费应用或软件开发中，而是加速人类对分子世界的理解和操控。
【全文结束】
