AI蛋白質大模型，迎來全新突破！

近日，由“AI蛋白質折疊奠基人”許錦波教授創立的分子之心團隊，正式發布AI生物藥從頭設計平臺MMDesign。

圖：分子之心 MMDesign平臺的核心技術優勢

實驗表明，MMDesign在十余個真實疾病相關靶點上，實現了驚人的超過90%的結合成功率。

并且，部分候選分子的結合親和力達到皮摩爾級（pM）水平，已初步具備抗體藥物開發潛力。

更關鍵的是，MMDesign將傳統需要數百萬級篩選規模的抗體發現流程，壓縮至每個靶點僅需驗證14至50個候選分子，濕實驗成本直接下降1至2個數量級！

在當前全球生成式抗體研發賽道中，MMDesign率先實現了低通量、高靶點結合性、可成藥性的納米抗體從頭設計全流程閉環。

對于整個生物醫藥產業而言，這意味著新藥發現正在打破“雙十定律”，成本和效率有望被重新定義。

更重要的是，生物藥發現正在從依賴大規模隨機篩選，邁入“可編程分子工程”的新紀元。

從理解生命到設計生命，一場圍繞生命科學底層研發邏輯的重構，正在全面開啟。

目前，MMDesign正在面向全球藥企開放合作。MMDesign的底層核心——全原子結構預測模型MMFold也即將通過MoleculeOS平臺對外開放。

技術報告：https://zenodo.org/records/20526590

試用網址：https://mos.moleculemind.com/

“AI設計+極小規模濕驗證”新范式
直擊90%靶點命中率

過去數十年，抗體發現始終是一項高度依賴經驗和資源投入的工作。

傳統研發路徑中，無論是動物免疫、噬菌體展示等，本質上都建立在海量試錯基礎之上。研究人員往往需要從數百萬甚至數十億個候選分子中反復篩選，才能找到少數真正具備開發潛力的抗體。

AI蛋白質設計模型的出現，確實開始改變這一局面。

然而，大量AI模型雖然能夠一次性生成數萬甚至更多候選序列，但后續依然需要依賴龐大的濕實驗體系進行篩選驗證。

并且目前多數通用蛋白設計模型，如RFdiffusion、AlphaProteo等，雖然能設計出蛋白結合劑，但直接外推到抗體設計上，成功率極不穩定。

某種意義上，在此前很長一段時間里，模型宣稱的生成能力越強，實驗端的驗證壓力反而越大，整個研發流程依舊沒有擺脫高通量試錯的底層邏輯。

此次分子之心發布的AI生物藥從頭設計平臺MMDesign，恰恰是開始展現出另一種能力：AI正在從輔助篩選工具，逐漸走向“真正具備工業化設計能力的研發平臺”。

根據公開結果，MMDesign已在11個藥物靶點上實現特異性結合，靶點成功率超過90%！其中，PD-L1的表現最為驚艷，測試的30個候選物中，有26個被證實為特異性結合劑，成功率高達86.7%。

相比單一靶點上的性能突破，更值得關注的是模型的泛化性。

目前多數蛋白質設計模型更像是專科型選手，在熟悉的靶點與任務中表現亮眼，但遇到訓練數據未覆蓋的全新靶點，能力便會大幅下滑。

而MMDesign一次性覆蓋5大類、11個藥物靶點，包括細胞因子、免疫檢查點、病毒蛋白以及GPCR等多個高價值靶點類型，同時覆蓋腫瘤、自身免疫、代謝疾病和抗病毒等多個核心治療領域。

圖：部分靶標的實驗驗證結果

更重要的是，MMDesign徹底跳出了此前“AI大規模生成——高通量篩選”的路徑。

針對每個靶點，僅輸出14至50個候選分子進入濕實驗驗證階段，其中部分候選分子的結合親和力已經達到皮摩爾級（pM）水平。

這說明，AI生成的分子已經初步具備較強的成藥潛力。

相比之下，目前海外業內廣泛關注的Chai-2、BoltzGen等蛋白質生成模型，公開結果多數仍停留在納摩爾級（nM）親和力水平，與真正具備抗體藥物開發價值的分子之間，仍存在一定距離。

可以說，這套系統真正使得“AI設計+極小規模濕驗證”的新范式成為可能，從根本上改寫了抗體早期發現模式和效率。

對于大量中小型Biotech而言，這種變化尤其重要。過去，抗體研發高度依賴超大規模篩選平臺和重資產實驗體系，中小企業很難真正建立完整能力。

如今企業有機會以更低成本、更短周期獲得高質量候選分子，從而加速腫瘤、自身免疫疾病等重要領域的新藥研發進程。

突破難成藥靶點
打造工業落地AI制藥方案

MMDesign更值得關注的地方，不只是成功率本身，還在于處理復雜真實靶點的能力。

過去幾年，產業對于AI蛋白設計最大的質疑之一，是其成功案例往往集中于少數簡單靶點——也就是結構規則、結合界面明確、已有大量訓練數據積累的靶點類型。

但真實世界中的藥物研發，恰恰相反。

大量具有重要臨床價值的疾病相關蛋白，往往結構復雜、動態性強、缺乏明確結合口袋，長期被視為“難成藥靶點”，而人體內約85%的疾病相關蛋白都是這類靶點。

為此，分子之心團隊選擇挑戰“難成藥靶點”，來驗證模型在真實生物制劑發現中遇到的難題。

• 破局難成藥靶點TNFα

以腫瘤和自身免疫疾病中的關鍵靶點TNFα為例，因其結合界面平坦、缺乏理想的抗體結合“口袋”，研發成本極高，成為業內公認低通量設計死穴。

而此次MMDesign在僅測試14個候選分子的條件下，即實現了約50%的命中率，且部分分子的親和力達到皮摩爾級（pM）水平！

這意味著，生成式AI不僅能夠挑戰那些長期被視為“不可成藥”或“極難靶向”的靶點，同時MMDesign也證明了僅僅利用少量實驗，就能在虛擬海量空間中，找到真正的活性分子。

目前國際范圍內，幾乎沒有其他團隊能夠在“難成藥靶點+極少量濕實驗驗證”的條件下取得類似結果。

• 攻克GPCR難題

另一個更具代表性的挑戰，則來自GPCR（G蛋白偶聯受體）。

GPCR長期以來都是制藥行業最重要的藥物靶點家族之一，全球大量上市藥物都作用于這一體系。

但與此同時，由于其構象高度動態變化、膜蛋白結構復雜，GPCR抗體設計也一直被視為行業公認的深水區。

在MMDesign針對GPCR從頭設計的29個納米抗體中，有22個實現了特異性結合，驗證了平臺對該類高難度靶點的適配能力。

但真正讓人意外的，是其生成的候選分子不僅實現了特異性結合，同時還表現出較高工業化生產潛力。

部分分子純度達到90%-99%，瞬時表達量超過0.5g/L，各項指標已接近工業生產對抗體藥物的標準要求。

反觀當前多數傳統AI蛋白設計模型，研發重心聚焦于分子與靶點的結合能力，也就是親和力指標。但在實際制藥生產中，高親和力并不等同于具備成藥價值。

一款優質的抗體候選分子，除了需要具備理想的靶向結合活性，還必須同時滿足表達量、純度、穩定性、聚集風險、可制造性等一系列復雜指標。

因此這也導致了很多AI生成的蛋白，雖然理論上能結合，但在實際生產中往往難以表達或純度極低，實際生成結果毫無意義。

而MMDesign此次更重要的突破在于，其開始嘗試打破傳統AI“先生成、后篩選”的模式。

傳統思路往往先批量產出大量分子，再依靠后續實驗剔除不具備開發價值的候選物。MMDesign創新地將靶向結合能力與成藥可開發性兩大維度，同步融入分子生成環節，在設計源頭就對各項產業化屬性進行優化。

對于生物藥研發而言，這一點意義非常關鍵。

因為很多項目真正失敗的階段，并不在發現端，而是在后續CMC開發、放大生產和制造環節。在分子設計階段同步考量成藥性指標，能夠從根源上大幅降低藥物后期開發的風險。

這也意味著，MMDesign所生成的已經不只是理論上有效的實驗室分子，而是開始真正向工業化制藥標準靠攏。

背后技術揭秘，獨創生物工程體系

MMDesign之所以能做到上述一系列能力，背后不只是單一模型，而是分子之心圍繞AI蛋白質設計所構建的一整套工程化研發體系。

該工作流大致可以概括為生成-過濾-驗證-反饋的閉環。

首先，MMDesign最重要的底氣源自通用全原子結構預測模型MMFold。MMFold采用了類似于AlphaFold3的全原子架構，但針對抗體-抗原界面進行了深度強化訓練。

尤其在預測抗體-抗原復合物結構時，權威的FoldBench基準測試中，MMFold的Top-1預測成功率達到了68.6%，而在Top-5采樣下更是達到了75.6%，實現了對AlphaFold3的壓倒性超越。

圖：MMFold、AlphaFold 3、Boltz-1、Chai-1等模型在FoldBench基準測試中的表現

這項核心能力，讓MMFold能夠精準輸出可靠的分子結合結構，大幅降低后續實驗工作量，尤其面對高難度靶點時，這一優勢會顯著體現。

在此基礎上，用戶只需輸入靶標信息與指定結合位點，無需依托已有抗體模板，MMDesign就能自主完成數萬個候選分子的從頭設計。

不同于傳統AI模型單一化的打分篩選方式，MMDesign配備專屬多層級智能過濾機制，對候選分子層層把關，核心篩選維度包括：

• 結構可靠性篩選：使用自研的MMFold對生成的序列進行結構預測，確保生成的序列能折疊成預期的結構。

• 序列自然性篩選：利用語言模型評估序列是否符合生物進化，剔除那些理論上能折疊但很難在細胞內表達的異常序列。
• 
  
• 多模型交叉驗證篩選：通過切換不同隨機種子和預測模型反復交叉校驗，篩除因偶發幻覺產生的不可靠結構，只保留穩定性強的設計。
• 
  
• 物理界面篩選：計算結合能、界面疏水性等物理指標，以確保候選分子不僅能夠識別靶點，還能夠形成穩定、有效的結合界面。

經過這一系列多層過濾后，原本數萬個候選分子，最終僅保留14至50個展開濕實驗驗證。

實驗室實測數據會持續反哺模型，不斷優化生成與篩選效果，形成可持續迭代的研發閉環。

圖：MMDesign生物制劑發現工作流

如今，分子新穎性是生成式設計平臺的核心指標，MMDesign生成的抗體在結構與序列層面均表現出較高獨特性，這意味著其正在打開新的抗體結合空間。

對于生物醫藥行業而言，這一點的意義不僅體現在研發效率層面，也直接關系到知識產權與商業化價值。

由于大量經典抗體靶點早已被海外藥企完成專利布局，企業即便能夠做出有效分子，也未必能夠真正繞開已有專利壁壘。而MMDesign通過生成全新結構與全新序列的抗體分子，能夠幫助企業避開已有專利封鎖，建立屬于自己的專利體系。

也就是說，MMDesign最終生成的是兼顧全新序列+高靶點結合活性+良好成藥性的候選抗體。

這背后體現出的，實際上已經不是單純的AI生成能力，而是一種更接近真實工業制藥邏輯的研發體系。

在真實藥物研發中，決定效率的往往不是生成了多少分子，而是能否盡可能早地淘汰那些注定無法開發的候選物。換句話說，真正重要的不是生成更多，而是生成得更準。

相比之下，目前海外主流模型的發展路徑，更多仍偏向通用蛋白設計平臺。

例如RFdiffusion、BoltzGen等模型，其核心目標更偏向廣義蛋白生成，生成的結果不少是迷你蛋白（mini-protein）等研究型分子，距離真正藥物仍需要大量工程改造。

而Chai-2等零樣本抗體生成模型，目前公開驗證的靶點，多數仍集中于標準化、相對簡單的抗原體系，其驗證重點也更多停留在親和力上，缺乏表達量、純度、CHO細胞表達等更接近工業開發標準的數據驗證。

與之不同，MMDesign始終以產業落地為核心導向，在抗體從頭設計、多靶點適配、高難度成藥靶點開發、低實驗通量下實現高命中率等核心能力完成了系統性驗證。

換言之，MMDesign的核心競爭力，并非單純算法能力的領先，而是深度貼合藥物研發的實際需求。

改寫競爭格局
搶占生物藥領域核心話語權

可以說，MMDesign代表了AI抗體發現領域的重要范式轉變。

它首次證明，生成式AI不只大量設計分子，即便僅投入少量實驗資源，也能針對不同治療靶點，穩定產出兼具原創性與成藥潛力的抗體候選物。

MMDesign意味著，AI蛋白質設計開始從過去依賴大規模隨機篩選的“概率碰撞”，轉變為更可預測更低風險的可編程分子工程。

行業的競爭邏輯也隨之改變：過去大家比拼算法模型、測試數據，如今AI制藥的競爭核心，變成了實打實的產業交付能力。

正如分子之心創始人許錦波所說：“我們構建的不僅是一個技術工具，而是一整套重構研發范式、打破新藥研發‘雙十定律’的全新基礎設施?！?/p>

回顧這支團隊的成長軌跡，早在2016年，許錦波教授就將深度學習用于蛋白質折疊，為后續諾獎成果AlphaFold的突破奠定了關鍵基礎，由此被成為“AI蛋白質折疊第一人”；2022年，許錦波教授回國創業，集結了海內外一批頂尖研究團隊，致力于將學術研究推向產業化應用。

正是這種對AI蛋白底層邏輯的深刻理解，讓分子之心從創立起就堅持的自主創新基因，才讓團隊能夠在MMDesign上持續突破，而不是跟隨海外研究。

不僅如此，這套以MMDesign為代表的底層技術平臺突破，這意味著未來的雙抗、多抗以及CAR-T胞外模塊的開發，可以完全拋棄盲目建庫篩選的舊范式，轉向定制化精準設計，將成為下一代生物大分子制藥的標配底座。

全球AI生物藥的下一程，中國團隊已拿到入場券。以分子之心為代表的本土企業，開始角逐未來生物醫藥的核心話語權。