自曝精度超AlphaFold两倍,IsoDDE离新药还差几步

一个被忽略了15年的结合口袋,Isomorphic Labs的新系统只靠氨基酸序列,不给任何配体信息,就把它标了出来。这个口袋在cereblon蛋白上,直到最近一篇实验论文才被找到。公司把这套系统叫IsoDDE,统一计算药物设计系统,发布时同时甩出三项基准,称在蛋白-配体结构预测、抗体-抗原界面预测和结合亲和力预测上,都大幅超过AlphaFold 3等现有模型。

真正的看点不是又刷了几项指标,而是AI第一次试图把“看懂结构”和“指导设计”接成一条线。但目前所有数字都来自公司自家技术报告,没有单独论文走同行评审,离独立验证和临床兑现还有一段没走完的路。

三组数字,分别赢在哪

cereblon那个案例单独拎出来看,分量不小。一个被药化界忽略了十五年的口袋,IsoDDE不靠任何配体线索,只凭序列就把它和已知位点一起标了出来。这说明模型学到了某种和真实生物物理相关的规律,但这只是一个自选的成功样本,还谈不上系统性证据。

几个倍数背后有一层容易被忽略的限定:它们都对应“最难”那一档分组、特定阈值、特定数据集。样本一旦收窄到最难分组,分母变小,倍数很容易被放大。报告没有公开这些测试集的具体样本量,也没有公开绝对准确率是多少、失败案例长什么样。

对药物化学和抗体设计团队来说,现实的动作不是立刻把候选池决策权交给IsoDDE,而是把它的排序结果当一份参考清单,继续用湿实验做最终确认。要不要把预算和人力往这套流程倾斜,大概率得等独立复现的结果出来再说。

从结构预测到新药,还差哪几步

新药从靶点到上市,中间要经过好几道关。IsoDDE目前公开展示的,只覆盖最靠前的两步。

它的价值,是提前收窄搜索空间。药化团队过去靠经验和有限的高通量筛选去猜结合位点、猜亲和力排序,如果计算端能先剔除大部分候选,真正送进实验室的分子数量会少很多,时间和成本跟着降。对那些找不到已知结构参照的新靶点,这种“盲测”能力尤其有用——很多真正难啃的疾病靶点,恰好属于这一类。

但收窄候选池和产出一款获批药物,是两件事。系统目前是否对外开放、企业接入成本多少,官方也没有说明,这也是评估它能不能落地的一环。

我的判断:精度跨了一步,证据链没跟上

复现cereblon口袋这件事,值得给正面评价——它不是刷分,是一个真实、之前无人知晓的生物学信号被算出来了。这一点我愿意明确认。

但精度榜单可以自己出题、自己打分,新药值不值钱,得靠临床数据说话。“纸上得来终觉浅,绝知此事要躬行”,报告里的倍数再漂亮,也代替不了真实的湿实验命中率、临床成药率。目前这几项,IsoDDE都还没有公开数据。

接下来最该盯的变量有两个:有没有独立实验室公开复现这几项基准结果,有没有真实的制药管线把IsoDDE的产出送进临床候选池。这两件事只要有一件发生,就说明这套系统不只是自己给自己打了个高分。