人类做药，同构补大模型，重新带着什么走台前？

机器之心发布 一笔融资、一份技术报告，让一个过去五年鲜少公开发声的团队，逐渐显露出更完整的面貌。 AI 制药最近出现了一个值得注意的信号： 通用大模型公司开始组织生物实验，生物分子模型公司开始招聘大模型人才。 今年 6 月，Anthropic 发布 Claude Science，将科研工具、计算资源与大模型接入同一工作环境。随后，它公布了 Claude 调用专业模型设计蛋白结合分子、交由外部实验室验证的结果。大模型正在从科研助手，走向能够组织研究任务的 Agent。 另一边，Alphabet 旗下、由 Demis Hassabis 领导的 Isomorphic Labs，今年 5 月宣布完成 21 亿美元 B 轮融资； 这家公司成立于 2021 年，目标是用 AI 重新设计药物研发流程。它的 CEO 是 Demis Hassabis，AlphaFold 背后的那个人， 2024 诺贝尔化学奖 。 近日， Isomorphic 挂出了 LLM 的岗位招聘，工作内容包括在前沿模型上大规模实施和优化 LLM 后训练方法。 两条路线正在靠近。此时，一个此前相对低调的团队，也把布局摆到了台前。 Anew Labs 不是突然冒出来的创业公司，这支团队 2021 年组建，由刘凯负责，核心成员约 50 人：一半是 AI4S 算法人才，一半是资深制药专家。 昨天刚刚有新闻传出他们完成了分拆后的首轮融资，融资金额 2.9 亿美金，投资人涵盖红杉中国、高瓴、IDG 等一众头部投资机构，今天凌晨，他们也在官网上悄悄放出了最新的技术报告，AnewDDE ，像是一次集中亮相：结构预测、亲和力预测、抗体湿实验闭环设计、千亿参数大模型 AnewMind，被摆到同一张桌上 这使 Anew 值得与 Anthropic、Isomorphic 放在一起观察。三家公司的起点不同，却都在连接领域专业模型、大模型与实验反馈。Anew 展示的，正是自己在这些环节上已经做到哪一步。 一、模型成绩略优于 IsoDDE，然后呢？ AnewFold 的核心结果，可以先看两组数字。 在 FoldBench 抗体 - 抗原结构预测任务上，AnewFold 的成功率为 76.2%，IsoDDE 报告的结果为 75.6%；在蛋白 - 配体任务上，两者分别为 77.4% 和 76.0%。 这些任务回答的是：给定参与相互作用的分子，模型能否预测它们以什么位置和形状结合。 报告还评测了更复杂的分子胶三元体系。在 131 个共同案例中，AnewFold 同时预测蛋白界面与配体位置的联合成功率达到 71.8%，高于其比较的几个开源基线。 这足以让 Anew 进入最前沿生物分子模型的讨论。但小幅分差不足以证明明确领先，评测设置也需要对齐。更有意义的判断是： Anew 已展示出接近前沿的结构预测能力，接下来要看它如何转化为研发收益。 模型会持续被追赶。长期价值还取决于候选怎么选、预测失败如何识别、实验结果如何影响下一轮优化。 AnewDDE 因此还包含亲和力评估工具 AnewAffinity、设计流程 AnewDesign，以及面向研发推理的 AnewMind。它们分别服务于结合强弱评估、候选设计和证据分析。 这套布局是加分项，模块之间是否产生协同，则要看具体任务。 二、Claude 也会设计蛋白，Anew 的实验有什么不同？ AnewDDE 展示了一项针对内部靶点的纳米抗体，也就是 VHH 设计实验。 Agent 检索文献与结构数据库，分析结合位置，再组织生成和筛选。第一轮从 3092 个通过初筛的候选中，推荐 50 条序列进入湿实验，得到 7 个 KD 低于 400 nM 的克隆。 实验结果随后用于亲和力优化。第二轮测试 100 个候选，获得 16 个个位数纳摩尔 KD 的克隆。KD 越低，通常意味着结合越强，纳摩尔 KD 意味着符合产业界对亲和力的要求。两轮共测试 150 个克隆，强结合抗体占比为 10.7%。 但熟悉近期 Anthropic 动态的读者可能会问：Claude 的蛋白设计命中率，不是更高吗？ 确实。Anthropic 8 月公布的实验中，Claude 在不同设置下实现了约 22%—35% 的结合命中率，在 15 个靶点中的 14 个上获得成功；后续模型公告又报告了跨 12 个靶点接近 50% 的命中率。 但这些数字不能直接与 Anew 的 10.7% 排名。 Claude 上述工作主要涉及蛋白质 minibinder，而 Anew 展示的是纳米抗体。 两者都属于 binder，但所处的研发语境并不相同。Anthropic 也在报告中明确指出，protein minibinder 尚不是标准的治疗药物形式；现阶段，这类分子更多被用于机制研究、靶点验证等科研场景，真正走向临床的案例仍然有限。相比之下，抗体已经是产业界高度成熟的药物形式，其设计不仅受到特定骨架和结合区域的约束，还需要兼顾亲和力、稳定性、可开发性等更接近实际成药的问题。 因此，两项工作的结果不能仅凭命中率直接判定高下：“测到结合” 与 “达到个位数纳摩尔亲和力” 本身就是不同门槛，靶点难度和实验迭代轮次也会显著影响结果。更准确地说，Claude 展示的是大模型参与蛋白设计的学术探索，而 Anew 的纳米抗体工作更贴近工业研发与候选药物开发的要求。这种差异说明的是任务目标和验证标准不同，并不能简单倒推出某一方模型更强。 总的来说，Anthropic 展示了通用 Agent 在多个靶点上组织设计的能力，调用的工具为蛋白领域的开源垂直模型；Anew 则展示了纳米抗体从初始命中到实验反馈优化的过程。后者目前来自单个内部靶点，跨靶点验证与后续功能评估仍需补充，但两轮设计得到亲和力改善，是有价值的执行证据。 这也提出了一个竞争问题： 当通用模型越来越会调用工具，垂直公司的优势在哪里？ Anew 的可能优势，是同时掌握专业模型、实验流程和项目经验。能否靠这些能力提高每轮实验的产出，比一次命中率更值得跟踪。 三、垂直大模型：为什么不直接用 Claude？ AnewMind Preview 是报告中最贴近 AI 读者兴趣，也最需要追问的部分。 Anew 在具有推理能力的大模型底座上，进行了千亿参数规模的全参数后训练，希望增强模型对研发证据和决策约束的理解。 报告中，AnewMind 在四组 ADMET 与药物性质评测上均进入参评 LLM 的前五，其中环肽渗透性排名第一、抗体可开发性排名第二。在 PharmBench 上，总分位列 17 个模型第三，分子设计与合成分项排名第一。 领域训练有希望带来特定任务收益。但千亿参数和全参数后训练，本身还不能构成产品优势。药企为什么不直接使用最强的通用模型？ Anew 自己的评测显示，通用模型在不少研发任务上表现很强，AnewMind 并未全面领先。报告也缺少足够完整的基座对照和训练消融，外部还无法准确判断各项提升来自哪里。 因此，更合理的期待，是它能否在具体研发环境中形成持续优势：私有部署、处理敏感数据、适配领域专业工具，以及用新的湿实验反馈形成飞轮，提升模型能力。 垂直模型的机会，在于持续获得通用模型难以接触的研发反馈，并把它转化为可重复的能力提升。 Anew