AIGC.BAR 首页
ARTICLE SIGNAL

AI制药重大突破：分子之心MMDesign创94.7%成功率与GPCR全命中

AI,AI资讯,AI新闻,大模型,分子之心,MMDesign,AI制药,GPCR靶点,从头设计,纳米抗体,人工智能,AGI,生物医药

type
status
date
slug
summary
tags
category
icon
password
网址
在生命科学与计算生物学的交叉领域，人工智能正在重塑传统生物医药的研发路径。过去，业内衡量AI制药工具的指标往往局限于“生成了数以万计的虚拟序列”。然而，对于实际药物研发而言，真正决定技术商业价值的核心痛点在于：实验室湿实验验证的成本与周期。如果AI设计的分子需要筛选成千上万个样本才能换来微弱的成功率，那么它与传统的噬菌体展示或高通量筛选相比，并无本质区别。
关注前沿AI资讯和AI新闻的行业观察者发现，由分子之心最新发布的AI从头设计平台MMDesign技术报告，交出了一份极具颠覆性的答卷：在涵盖18个靶点、跨纳米抗体（VHH）和大环肽两种分子模态的19个设计项目中，18个获得了经实验确认的结合分子，整体项目成功率高达94.7%。更重要的是，该平台将每个项目送进实验室验证的候选分子数量压缩至中位数仅21个，并实现了六大高难度GPCR（G蛋白偶联受体）靶点的全部命中。这一飞跃标志着人工智能大模型在生物医药领域的应用，正从“单点概念验证”迈向“低通量、可复用、高确定性”的产业级新范式。
想要持续追踪最新的大模型研发进展与全球AI动态，欢迎访问权威AI门户 aigc.bar，获取每日AI日报与前沿洞察。

告别海量试错：计算优选推动湿实验通量极致压缩

传统抗体发现流程通常依赖动物免疫或庞大的合成文库，需要在数以亿计的分子候选中进行繁琐筛选，耗费数月甚至数年。即便近年来生成式大模型（LLM）被引入蛋白质序列生成，许多计算模型依然面临“生成容易、挑中极难”的困境。
MMDesign平台的核心突破，在于建立了一套严密的“生成—计算优选—实验验证”闭环工作流。该平台首先在广阔的计算虚拟空间中探索序列与结构的多样性，随后运用物理能量评估、序列特征过滤与结构可靠性校验等多维标准，完成计算机内的严苛“初试”。
  • 极低的实验验证样本量：每个项目仅需测试9到50个候选分子（中位数仅21个），大幅降低了湿实验的试错成本。
  • 惊人的候选命中率：在累计测试的453个候选分子中，有139个被证实具有结合活性，综合命中率高达30.7%。
  • 充沛的候选储备：在19个项目中，有15个项目至少获得了两个以上的结合分子，为后续成药性优化留足了安全边际。
这种高精度的筛选能力向制药界证明：AI不再是制造海量数据的“噪音发生器”，而是能够将湿实验资源精准引导至高潜力分子的“导航仪”。

攻坚“不可成药”高地：六大GPCR膜蛋白靶点全线告捷

如果说近95%的项目成功率体现了算法的稳定性，那么在GPCR靶点上的全胜战绩，则直接验证了底层算法针对复杂生物体系的攻坚能力。
GPCR作为人类基因组中最重要的药物靶点家族之一，参与调节心血管、神经、免疫等诸多生理进程。然而，GPCR天然嵌于细胞膜中，具有构象灵活多变、胞外暴露结合位点狭窄等特点，传统方法极难获得高质量的靶向抗体。
本次评估全面覆盖了CCR7、CCR8、EP2、GPR68、NK3R以及A2AR等六大代表性GPCR靶点，MMDesign全部斩获具有实验活性的结合分子：
  1. 极端精准度：在针对NK3R靶点的测试中，选送的30个候选分子实现了100%全部命中；而在GPR68靶点上，11个候选中命中了10个。两者合计41个分子中命中40个，展现了前所未有的预测可靠性。
  1. 纳摩尔级亲和力：在GPR68项目中，筛选出的最佳表观结合亲和力KD值达到了12.1 nM，已进入高亲和力药物分子的开发区间。
  1. 无先例新靶点突破：在Thera-SAbDab数据库中未收录任何治疗性抗体先例的5个GPCR靶点上，89个受测分子获得了53个结合分子，命中率达到59.6%。
这表明，借助底层LLM与分子动力学理解，AI在缺乏已知模板的全新生物靶点上，同样具备从零构建高亲和力结合体的泛化能力。

持续进化与跨模态适应：工业级AI平台的关键特征

在实际的制药工业中，单次成功可能存在偶发性，药企更看重算法平台的两大工业级属性：多轮迭代的优化能力与跨越分子模态的通用性。
在MMDesign的测试中，研发团队对此前已有成果的6个靶点进行了第二轮从头设计，其中5个靶点在命中率或结合亲和力上取得了显著跃升。例如在PDGFR靶点上，候选分子的命中率从第一轮的4.0%大幅提升至21.1%（提升达5.2倍），最佳KD值从150 nM优化至37 nM（亲和力提升4倍）。这种在同一靶点上“越算越好”的迭代能力，证明了模型内部表征的可靠性。
此外，该平台不仅适用于纳米抗体（VHH），还成功延伸到了空间结构差异巨大的大环肽分子设计中： * 在MDM2大环肽项目中，21个受测候选中命中16个； * 在PD-L1大环肽项目中，28个受测候选中命中11个。
这种跨分子模态的适应能力，进一步夯实了其作为通用型生物分子生成中枢的基础。

软硬兼顾：卓越的分子成药性与底层MMFold模型底座

一个优秀的药物候选分子不仅要“能结合”，更要“可开发”。许多通过计算设计的分子往往在后续测试中暴露聚集、难表达、高免疫原性等物理缺陷。MMDesign设计的VHH-Fc分子展现出良好的成药性底色：候选分子在CHO细胞中能够实现稳定表达，纯化后呈现良好的单体状态，聚集率极低，并在胰岛素和双链DNA等替代检测中显示了微弱的非特异性结合。
同时，通过与PDB、OAS和SAbDab等主流抗体数据库对比，生成的分子序列及其互补决定区（CDR）展现出高度的新颖性，脱离了简单突变既有抗体的局限，为药企建立独立的知识产权壁垒提供了空间。
支撑MMDesign精准决策的，是分子之心自研的高精度结构预测模型MMFold。在针对抗体-抗原复合物界面的FoldBench测评中： * MMFold在全部172个抗体-抗原界面预测中的Top-1总体成功率达到70.9%； * 高质量预测成功率达到39.0%，表现显著优于业内标杆模型（约为AlphaFold 3同类指标的2倍）。
更精准的结构解析，让AI在空间位阻和电荷匹配的物理世界中“看得更清”，从而将计算设计转化为湿实验的高命中率。

从单点试探到系统化工业生产：AI重塑生物医药新范式

从ChatGPT引领文本生成革命，到生成式AI席卷蛋白质工程，计算生物学正迎来属于自己的ChatGPT时刻。分子之心的技术成果勾勒出了完整的全栈技术架构：以NewOrigin基础大模型为底座，MMFold负责高精度空间预测，MMDesign负责从头生成与多维优选，结合动力学模拟工具，最终汇入统一的工作流操作系统MoleculeOS。
当生物大分子设计的成功率提升至90%以上、实验室试错规模压缩至几十个分子的区间，新药早期发现的研发范式已经发生了根本性转变：从传统的“依赖文库大规模盲筛”，转变为“面向功能明确需求—高精度AI从头设计—低通量实验验证—快速多轮优化”。
随着生成式AI、Prompt提示工程与跨模态大模型持续向各行各业渗透，生物科技与人工智能的深度融合将释放出巨大的产业红利。了解更多前沿AI资讯、探索AGI时代技术应用与AI变现策略，敬请锁定专业AI门户 aigc.bar，掌握未来科技演进脉搏。
Loading...

没有找到文章