Nature：科学家们惊叹于DeepMind药物衍生公司独有的全新人工智能|deepmind|labs|人工智能|科学家们

信息来源：https://www.nature.com/articles/d41586-026-00365-7

2026年2月10日，谷歌DeepMind的生物制药衍生公司Isomorphic Labs发布了一份27页的技术报告，高调宣传其最新的“药物发现引擎”（IsoDDE）。

这个专有的人工智能模型，被一些科学家誉为“AlphaFold 4”，在预测蛋白质与潜在药物相互作用以及抗体结构方面取得了令人瞩目的成就。

然而，与DeepMind此前开源的AlphaFold系列模型不同，IsoDDE的“闭源”性质引发了科学界的广泛讨论和好奇：一个如此强大的AI工具，究竟是如何运作的？其秘方又是什么？

“黑箱”里的力量：IsoDDE的惊人表现

近两年前，DeepMind发布了面向药物发现的AlphaFold 3。而今，Isomorphic Labs推出的IsoDDE，显然在性能上超越了前代。

IsoDDE展现出的核心能力，是对药物-蛋白质相互作用的精确预测。在药物研发过程中，理解药物分子如何与靶点蛋白质结合，以及结合的强度（即结合亲和力），是至关重要的一环。传统上，预测这些特性需要耗费大量的计算资源和时间，通常采用计算密集型的物理方法。

然而，Isomorphic Labs的报告宣称，IsoDDE在确定结合亲和力方面，不仅优于麻省理工学院科学家开发的开源模型Boltz-2，也超越了基于物理学的方法。这无疑是药物发现领域的一项重大突破。

此外，IsoDDE在预测抗体（每年销售额达数百亿英镑疗法的基础）与其靶标相互作用方面，也达到了最先进的水平。抗体药物的开发依赖于对特定抗原的识别和结合能力。IsoDDE在这方面的表现，预示着抗体药物设计效率的显著提升。

哥伦比亚大学计算生物学家穆罕默德·阿尔库雷希（Mohammed AlQuraishi）对IsoDDE的能力印象深刻。他评价道：“这是一项重大进步，其规模堪比AlphaFold 4。”

他特别指出，IsoDDE能够预测与模型训练数据截然不同的分子药物-蛋白质相互作用，这才是真正的难题。“这才是真正的难题，也表明他们肯定采用了某种非常新颖的方法。”阿尔库雷希的这番话，无疑加深了科学界对IsoDDE“秘方”的好奇。

开放与封闭之争：科学进步的路径选择

IsoDDE的发布，再次点燃了科学界关于人工智能工具“开放”与“封闭”的争论。

DeepMind此前发布的AlphaFold系列模型，尤其是预测蛋白质结构的AlphaFold 2，采取了开源策略，并将详细的技术细节发表在科学期刊上。这一举措极大地推动了结构生物学领域的发展，无数科学家和研究机构受益于AlphaFold的免费使用，加速了蛋白质科学的研究进程。可以说，AlphaFold 2的开源，成为了AI赋能科学研究的典范。

然而，作为DeepMind的衍生公司，Isomorphic Labs选择了另一条道路。

IsoDDE是一个专有模型，其技术论文几乎没有提供如何获得类似结果的深入见解。这种“闭源”策略，虽然有利于公司保护其知识产权和商业利益，但却让那些致力于开发开源工具的科学家们感到困惑和挑战。阿尔库雷希直言：“当然，问题在于我们对其中的细节一无所知。”

这种开放与封闭的选择，反映了科技公司在追求商业价值和推动科学进步之间的权衡。对于Isomorphic Labs而言，将IsoDDE作为核心产品进行商业化，是其生存和发展的必然。通过提供药物发现服务或与制药公司合作，IsoDDE有望加速新药的研发进程，带来巨大的经济效益。

但对于整个科学社区而言，这种“黑箱”式的AI工具，可能会在一定程度上阻碍知识的自由传播和集体智慧的积累。

AI驱动药物发现的未来：机遇与挑战并存

IsoDDE的问世，无疑标志着AI驱动药物发现进入了一个新纪元。随着AI在理解生物大分子结构和功能方面的能力不断提升，药物研发的效率和成功率有望大幅提高。

传统的药物研发周期漫长且成本高昂，从发现新分子到药物上市可能需要十年甚至更长时间，耗资数十亿美元。AI的介入，有望显著缩短这一过程，降低成本，并加速将创新药物推向市场。

然而，挑战也伴随而至。

首先是伦理和监管问题。AI在药物发现中扮演越来越重要的角色，如何确保AI模型预测的准确性和安全性，避免潜在的偏见和错误，是未来需要重点关注的问题。尤其当AI模型是“黑箱”时，其决策过程的透明度和可解释性就显得尤为重要。

其次是数据隐私和所有权问题。药物发现涉及大量的生物数据和化学数据，这些数据的收集、存储和使用都必须符合严格的隐私保护规定。AI模型的训练需要大规模的数据集，如何平衡数据共享与数据保护，是行业面临的又一难题。

再者，是人才培养和跨学科合作。AI驱动的药物发现需要生物学、化学、药学、计算机科学和数据科学等多学科的交叉融合。培养具备多学科背景的复合型人才，促进不同领域专家之间的紧密合作，是加速AI在药物发现领域应用的关键。

尽管IsoDDE的“秘方”仍未公开，但其强大的性能已经让科学界看到了AI在药物发现领域的巨大潜力。