作者|林易
编辑|重点君
在生成式AI狂飙突进的今天,做个新模型、发篇新论文,早已不是什么新鲜事。
但当管线要从实验室推向真实世界时,AI到底起了多少作用,到底能解决什么问题,这一刻,对技术及其落地能力的考验才真正开始。
时隔2个月,一家成立仅5个月的中国公司——深旋科技(Atomelody)再次登顶,交出了公司诞生以来第一份来自真实物理世界的反馈答卷。
这一次,他们拿出了全新的分子设计引擎Melo Drug Design Engine(MeloDDE),仅凭同一套AI方案,就在13组靶点上一次性跑通了大环肽、双环肽、线肽、纳米抗体、微型蛋白五种成药分子形态的设计与湿实验验证。
一套方案通吃五种形态,啃下湿实验最硬的骨头
要看懂这份答卷的分量,得先看看传统药物分子设计卡在哪里。
在传统研发体系里,即便面对同一个靶点,大环肽、双环肽、线肽、纳米抗体、微型蛋白这些不同的分子形态(Modality),往往也得各走各的湿实验平台,彼此之间壁垒极深。
而眼下不少AI制药公司为了快速搭台,普遍直接套用开源模型。受限于开源底座本身的能力天花板,这类平台很难在不同分子形态之间灵活切换,一旦撞上构象灵活、成环复杂的环肽场景,更是捉襟见肘。
如今,针对纳米抗体和微型蛋白(Miniprotein)的AI设计模型已不算少见;可一到环肽领域,市面上大多数模型又退回了“只能长骨架、无法管修饰”的窘境,真正敢拿出来公开验证的从头设计(de novo)湿实验结果更是寥寥无几。
MeloDDE捅破的第一层窗户纸,就是作为首个支持环肽和化学修饰的分子设计模型,用同一套底层方案打穿五种成药形态,而且全部拿到了实打实的湿实验结果。
在首批公开的13组靶点验证中,深旋科技将每个靶点的送测规模严格压在30条以内,直接亮出了一张横跨难成药靶点与热门靶点的实战版图:
图1:MeloDDE在13组靶点上完成的五种成药分子形态湿实验验证结果与动力学曲线
首先是公认最难啃的难成药界面环肽设计。无论是拥有经典螺旋-凹槽界面的MDM2–p53,还是表面平坦光滑的突变癌基因KRAS G12D,传统分子都极难抓牢。MeloDDE在设计阶段就将大环约束原生写入模型,生成的头尾大环肽在表面等离子共振(SPR)实验中成功拿到了可拟合的结合数据。而在PSMA、FAP等肿瘤相关膜蛋白靶点上,MeloDDE进一步调用双环约束成功设计出双环肽,验证了平台驾驭复杂化学约束的硬实力。
其次是GPCR类靶点的功能线肽设计。在代谢调节与肥胖相关的MC3R与MC4R跨膜受体上,MeloDDE设计出的线肽不仅能按指定功能精准靶向受体,更在细胞水平的FLIPR测定中跑出了皮摩尔量级(如MC4R达到180 pM)的EC50激动活性。这意味着AI算出来的多肽不再只是“贴得上靶”,而是真正能按预期生物学功能干活。
在纳米抗体与微型蛋白战场上,MeloDDE同样表现优异。面对IL-7RA、VEGF-A、PDGFR、PD-L1、TNFL9(多价亲和avidity结合特性)等免疫与信号靶点,系统稳定产出了高亲和力纳米抗体。在VEGF-A、PD-L1以及极高难度的TNF-α 三聚体靶点上,MeloDDE设计的微型蛋白也全部测出明确的结合亲和力,尤其是啃下TNF-α 三聚体这块硬骨头,41.2nM的结合亲和力直接印证了系统应对复杂多聚体困难场景的实战水平。
同一套系统、五种分子形态,一次性覆盖难成药蛋白互作(PPI)靶点、跨膜靶点、代谢功能与免疫靶点以及复杂多聚体——MeloDDE把AI系统的能力向真实药物发现场景推进了一大步。
更少算力换更高命中,过滤成功率达主流4.68倍
除了打通多模态湿实验,MeloDDE系统背后还藏着一套务实的运行理念:高度关注算力资源的实际利用率。
在算力资源极度紧缺的当下,很多生成模型习惯靠无脑扩大生成规模来堆砌成功分子数量。深旋科技给出的解题思路恰恰相反:在同一套严苛评估标准下,谁能用更少的算力跑出更高的成功率,谁就能在真实研发中腾出更大的试错空间。
评测方案上,深旋科技直接采用AlphaProteo的严苛过滤标准(同时满足min ipAE小于1.5 埃、binder pTM大于0.8、complex backbone RMSD小于2.5埃),在AlphaProteo论文展示的11个靶点上与主流公开生成方法正面交锋。所有参评方法走完全一致的后处理流程,结合界面与空间几何必须同时过线才算成功。
评测结果相当悬殊。在完全相同的严苛过滤条件和统一的评估标准下(全部使用ESMFold2 Fast模型做评估),单独验证生成模型的能力。MeloDDE系统中的生成模型Melo-D Alpha在纳米抗体(VHH)上的过滤成功率达到19.45%,是蛋白质设计泰斗Baker实验室最新成果RFD4-Proteina方法的4.68倍多。在微型蛋白(Minibinder)赛道上,Melo-D Alpha的过滤成功率更是冲到36.25%,相比RFD4-Proteina再度提升25%。
图2:Melo-D Alpha与主流生成方法在微型蛋白及纳米抗体上的联合过滤成功率对比
在贴近真实管线应用场景的另一个指标上——“成功获得同等规模(如30条)候选分子所需要生成的分子数量”,Melo-D Alpha的样本效率优势就更加直观了。
从对比数据来看,凑齐30条过线候选分子,Melo-D Alpha在微型蛋白上仅需生成83条设计,而初代RFdiffusion需要生成1100条;在纳米抗体上仅需生成154条设计,而RFD4-Proteina需617条;BoltzGen更是高达1517条。即便拆解到单个靶点,面对难易程度迥异的不同表位,Melo-D Alpha在整体转化率与样本效率上依然保持全面领跑。
图3:获取30条合格分子所需生成规模对比及11个靶点分项成功率表现
三大核心模块精密咬合,全链路压缩湿实验试错
只送测不到30条就能在湿实验里频频命中,MeloDDE 这套系统到底是怎么转起来的?
拆开底层架构来看,MeloDDE并不是一个单点模型,而是由三大核心模块精密咬合、支持自主迭代优化(Autonomous Refinement)的分子设计闭环。
图4:Melo Drug Design Engine概念图
模块一Design Blueprint Engine,是这套系统的“认知中枢”。在分子设计真正动工之前,最核心的问题其实是输入端的决策:到底在靶点的哪个位置设计,又该加上什么样的约束条件?
MeloDDE引入了一个大语言模型智能体(LLM Agent),能够自动完成表位与口袋映射、文献与专利挖掘、分子模态选择以及可开发性画像,把高维抽象的生物学意图动态翻译成下游生成器能直接听懂的“设计蓝图”。这一步彻底告别了无约束的全局大海捞针,让宝贵的算力从一开始就精准锁定在高价值区域。
以多靶多位点的纳米抗体设计为例,这个Agent自主将LEP、IL20与ONCM三个靶点各自精准切分为5个互不重叠的表面位点,并同步下发了“锁定骨架框架、放开CDR区”的精细约束指令,最终每个位点都顺利产出了通过界面接触过滤的高置信度候选分子。
图5:LLM Agent在LEP、IL20与ONCM三靶点上自主切分5个位点并生成高置信度纳米抗体
接过“设计蓝图”后,模块二Melo-D Alpha,承担了“生成工厂”的角色。不同于市面上只能生成单一天然蛋白骨架的模型,Melo-D Alpha在同一套框架下原生支持头尾大环、双环、二硫键成环以及线性肽,同时还能丝滑处理框架受限的纳米抗体CDR和微型蛋白。
更关键的一步在于,它直接把“成药性修饰”前置到了设计阶段。除了常规的热点残基、功能基序、距离约束与二级结构条件外,Melo-D Alpha一举覆盖了100多种非天然氨基酸与900多种化学修饰类型(包括PEG化、脂质化等),将AI可探索的成药化学空间推向了全新量级。
图6:Melo-D Alpha 原生集成的通用设计条件、成环建模与上千种非天然氨基酸及化学修饰能力
最后把守出口关的模块三,则是充当严苛“质检员”的全原子模型Melo-1。前端生成模块可以一口气吐出海量候选序列,但后端湿实验的化学合成、蛋白表达与活性测定通量始终是卡脖子的昂贵瓶颈。
如果说传统折叠模型回答的是“结构预测对不对”,那么Melo-1通过全原子折叠与多指标筛选解决的,则是真实研发管线里最要命的诉求“预算有限,到底先测哪几条”。通过无情剔除几何构象与结合界面不达标的次品,Melo-1大幅压缩了湿实验送测规模,确保每一分研发资金都花在刀刃上。
为了公平检验这位“质检员”的眼力,深旋科技直接选用了Anthropic今年8月蛋白质设计技术报告中的两个公开基准数据集,覆盖14个靶点、1230条设计的Anthropic Binder Design,以及覆盖15个靶点、3669条设计的Overath,与AF3、Boltz-1、Protenix-v2、ESMFold2、OpenDDE等多个公开工作同台比拼。
评测数据显示,全原子模型Melo-1能够稳稳把经过真实实验验证的活性结合剂排到候选名单最前列。按minimum ipSAE指标在各靶点内排序后,Melo-1在两个数据集上的平均精度(AP)分别达到0.558和0.564,领跑全场;排序前10%的富集倍数分别达到2.7倍和5.2 倍。特别是在Overath基准上,真实有效结合剂进入Melo-1优先名单的频率,达到了随机筛选预期的约5倍。即便换用binder–target ipTM指标排序,Melo-1在两个数据集上的前 10%富集倍数依然高达2.5倍和4.9倍。对一线药研团队而言,这意味着进湿实验前就能用 Melo-1精准缩圈,成倍拉高湿实验的命中密度。
图7:Melo-1与主流模型在Anthropic Binder Design及Overath两大基准上的平均精度与富集倍数对比
深耕AI制药的“六边形团队”,搭起AI分子流水线
在拆解完底层架构与评测数据后,一个自然而然的追问是:一家成立仅5个月的公司,凭什么能在时隔2个月后再次登顶,用一套方案跑通五种成药形态的湿实验验证?
答案藏在团队里。今年在深圳南山落地的深旋科技,已成为AI+制药领域的代表性企业。公司虽然年轻,核心班底却早已磨合成熟。这支团队在一起深耕AI制药领域已超过6年,过往便有多项引领行业发展的创新性工作,也是目前行业内非常稀缺的、同时兼具技术创新性与产业实操性的“六边形团队”。
正是这种底层算法深度与产业实战经验的结合,让深旋科技在模型参数与榜单分数日渐内卷的当下,跳出了“做个新模型、发篇新文章”的单点演示,直接切入真实药物发现管线的核心痛点。
蓝图定方向,生成跨模态,筛选定优先级。通过三大模块紧密协同,MeloDDE走出了一条极具辨识度的研发路线,搭建起覆盖五种成药形态、经得起真实湿实验检验的候选分子流水生产线。
当AI不再只是纸面上的结构预测工具,而是能在不到30条的极小送测规模下,接连敲开KRAS G12D、GPCR与复杂三聚体等真实靶点的大门,AI驱动的创新药发现,才真正迎来了从数字推演走向管线落地的质变时刻。
One more thing,Melo-1结构预测和虚拟筛选两大API免费开放,访问Atomelody官网,进入计算平台,注册即可体验。
热门跟贴