首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI morning

当蛋白质设计有了自己的「Claude Code」,AI Native生物科技公司开始交付「真实成果」

摘要

编辑|Youli 在药物研发中,找到一个能够与目标蛋白结合的分子,意味着什么?这当然是重要进展,不过距离真正开发出一款药物,还很遥远。 一个候选分子首先需要证明自己能够识别并结合目标,随后,还要经过亲和力、功能活性、表达量、热稳定性、纯度等多方面的实验评估。即便这些早期指标表现不错,也仍然需要进一步开展药代动力学、毒理学等研究,才能判断它是否具备进入后续研发阶段的潜力。 而这也是 AI 进入药物研...

GeoFlow 热稳定性 换句话说 Youli 在药物研发中 找到一个能够与目标蛋白结合的分子 意味着什么 这当然是重要进展 不过距离真正开发出一款药物 还很遥远
2026-11-20 1 阅读 约10分钟阅读 机器之心
分享:
字号:
编辑|Youli 在药物研发中,找到一个能够与目标蛋白结合的分子,意味着什么?这当然是重要进展,不过距离真正开发出一款药物,还很遥远。 一个候选分子首先需要证明自己能够识别并结合目标,随后,还要经过亲和力、功能活性、表达量、热稳定性、纯度等多方面的实验评估。即便这些早期指标表现不错,也仍然需要进一步开展药代动力学、毒理学等研究,才能判断它是否具备进入后续研发阶段的潜力。 而这也是 AI 进入药物研发领域,从蛋白质设计逐渐走向真实药物研发时,必须面对的一道关卡。 过去几年,随着生成式生物大模型的发展,AI 已经能够根据目标蛋白的结构和设计要求,生成此前不存在的蛋白质分子,并开始在真实湿实验中证明,这些计算设计出来的分子确实能够与目标产生结合活性。 这意味着, AI 蛋白质设计逐渐从结构预测走向从头生成,并初步跨过了「从 0 到 1 验证能结合」的门槛。 但近一年来,面对真实药企的研发管线诉求,「能结合」已不够,行业开始关心:AI 能不能找到值得继续推进的候选分子?能不能减少大量无效的设计和实验?能不能把计算结果转化为真实的研发成果? 换句话说, AI 制药的行业命题正在从「能不能设计出一个分子」,进一步走向「能不能真正成药」…… 围绕这一目标,行业各类厂商都在探索,「AI Native 生物制药公司」百奥几何也是其中一家。 近日, 百奥几何正式发布新一代药物研发引擎 GeoFlow V4,并同步推出智能体式药物设计编排体系 GeoFlow Code。 前者依托数据与模型的协同扩展,进一步提升蛋白质结构预测、从头设计和候选评估能力,后者则引入自主编排机制,让 AI 不再局限于执行单次设计任务,而是能够围绕具体研发目标,自主组织多轮探索、评估和优化。两者共同支撑以成药为导向、贯通「模型 - 分子 - 数据」的 RSI 干湿反馈研发闭环。 更值得关注的是,百奥几何还公布了 覆盖 13 个疾病治疗相关靶点、15 项从头设计任务的湿实验结果,平均命中率达到 34.6%,较上一代提升约 85%。 此外,GeoFlow V4 在统一框架下支持小蛋白、环肽、纳米抗体和 IgG 抗体等多种分子类型的从头设计。部分候选分子获得了皮摩尔(pM)级结合亲和力,设计抗体在表达量、热稳定性、纯度,以及非特异性结合等早期可开发性指标上取得了良好表现。 从模型能力提升,到 AI 自主组织设计任务,再到真实实验验证,百奥几何这次希望展示的,显然不只是一个更强的蛋白质模型,而是 一套能够将 AI 能力转化为研发成果的系统,持续拓展 AI 在分子研发领域的能力边界。 换句话说, 「在命中之外,向成药更进一步」。 基模跃迁: GeoFlow V4 如何让蛋白质设计变得更强? 蛋白质设计并非简单的单一任务。 面对不同的疾病靶点和研发需求,研究人员可能需要设计小蛋白、抗体、纳米抗体或者环肽。这些分子在结构、长度、构象约束和设计目标上存在差异,所需要的计算方法和实验验证方式也不完全相同。 百奥几何此前几代 GeoFlow 模型一直在尝试解决这一问题。从早期的抗体生成,到全原子结构预测与生成的统一,再到多步推理驱动的表位定向设计,模型的能力边界逐渐向更完整的蛋白质设计任务延伸。 而到了最新推出的 GeoFlow V4,这种演进进一步体现在 结构预测与候选筛选 两大核心能力上。 首先是更精准的结构预测:抗体 - 抗原结构预测达到国际前沿水平。 对于抗体设计而言,准确预测抗体与抗原之间的结合结构并不容易,尤其在缺少结合态抗原结构先验的情况下,模型需要从有限的信息中推断两者可能形成的结合界面。 而在业界公认高难度的 FoldBench-AB 基准测试中,GeoFlow V4 的 Top-1 预测成功率达到 75.4%,位列国际前沿水平,与 IsoDDE 相当。 同时,模型还展现出显著的 推理时扩展性(inference-time scaling), 即随着推理阶段采样预算增加,模型可以通过探索更多可能的结构假设,进一步提高预测成功率。 数据显示, 当推理采样数量增加到 100 次时,预测成功率进一步达到 78.8%。 这也说明,在结构预测任务中,增加推理阶段的计算资源,仍然能够为模型带来进一步的性能提升。 其次是跨模态置信度评分带来精准「鉴宝」能力:筛选出「好分子」与「坏分子」。 对蛋白质设计来说,生成能力只是一个方面,面对成百上千个候选分子,如何判断哪些分子更可能真正结合目标、哪些值得优先送进湿实验室,直接影响后续研发的效率。 随着基础模型能力的整体跃升, GeoFlow V4 进一步增强了对候选分子的置信度评估能力,能够从大量设计结果中识别出更值得验证的候选: 在 IGDesign 抗体数据集上,GeoFlow V4 能够根据评分优先筛选出更有希望的候选分子,评分排名前 5% 的候选中,结合分子的富集效果达到 6 倍; 在更具挑战性的 SKEMPI 亲和力排序任务中,GeoFlow V4 在多个抗体体系上的表现也显著优于上一代模型,能够更好地区分以往难以识别的亲和力差异。 这意味着,模型不只是负责提出设计方案,生成三维结构合理的分子,还能够在进入昂贵的湿实验之前提前过滤掉绝大多数无效序列,判断出到底哪些分子更值得继续投入计算和实验资源。 从结构预测、分子生成到质量评估,可以看出,GeoFlow V4 希望建立的是一套相对完整的蛋白质基础模型能力。 不过,一个值得进一步思考的问题随之出现:当模型已经足够强,能否自动找到最合适的设计路径?人类是否还需要亲自决定每一步应该怎么做? 毕竟,一个复杂的蛋白质设计任务,往往不是调用一次模型就能完成的。研究人员还需要决定从哪里开始探索、采用什么策略、如何评价结果,以及下一轮应该怎样调整。 这就引出了百奥几何此次发布的一个重要框架: GeoFlow-Code。 当蛋白质设计拥有自己的「Claude Code」: 用自主编排释放模型上限 2026 年,Agent 自主组织复杂科研任务成为 AI for Science 的重要发展方向。 以 Anthropic 的蛋白质设计研究为例,Claude 开始自主规划设计任务,调用专业结构设计、序列设计和预测工具,经过多轮计算优化和筛选,寻找能够与目标结合的候选分子。 前段时间,Anthropic 公布一项科研成果,Claude 在 64 小时内生成了 318484 种蛋白质设计,并从中筛选出 211 种候选蛋白,交由实验室测试,最终有 17 种达到预设的结合标准。 这背后体现出一个变化:通用大模型正在从提供单点能力,走向组织复杂科研工作流。 而在百奥几何看来,做好蛋白设计需要两股力量: 「强大的基础模型」+「能把模型性能压榨到极致的自主编排系统」。 因为蛋白质设计并非简单的模型调用任务,而是一个需要不断提出假设、尝试不同策略、比较结果并持续调整的复杂过程。 因此,相较于前代 GeoFlow 采用固定策略下的多轮优化 —— 通过多步推理持续迭代优化候选分子,GeoFlow V4 引入了 蛋白质设计领域专用编程语言与执行框架 GeoFlow Code,实现设计策略的自主探索与执行。 可以这么理解,GeoFlow-Code 堪称蛋白质设计领域的「Claude Code」:
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱