The Trustees of Columbia University in The City of New York

五年前，AlphaFold横空出世，凭一己之力颠覆了结构生物学，让全球300多万科学家免费用上最顶尖的蛋白质预测工具，甚至助力团队拿下诺贝尔奖，成为AI造福全人类的标杆案例。 而就在2月10日，谷歌DeepMind的“亲儿子”——生物制药子公司Isomorphic Labs，甩出了一份27页的技术报告，官宣了一款更强大的AI药物发现引擎IsoDDE。 它被顶尖科学家直接称为“AlphaFold 4级别的重大突破”，性能碾压上一代模型，却打破了AlphaFold坚守的开源传统，把核心技术死死攥在手里，让整个学界又惊又忧。 有多强？堪称药物研发的“降维打击” 要理解IsoDDE的厉害，先搞懂一个通俗比喻：如果把蛋白质看成一把锁，药物分子就是打开锁的钥匙，药物研发的核心，就是找到能精准匹配、牢牢锁住的“钥匙”。 AlphaFold系列的功劳，是帮科学家看清“锁”的样子；而IsoDDE，直接解决了更难的问题——预判钥匙能不能插、转得紧不紧，甚至能找到人类从未发现的“隐藏钥匙孔”。 这份技术报告里的成绩单，足以让整个制药界震撼： 绑定亲和力碾压同行：作为药物有效性的关键指标，绑定亲和力（钥匙与锁的贴合度）此前要么靠耗时费力的物理模拟，要么靠开源模型粗略预测。而IsoDDE不仅远超MIT研发的开源模型Boltz-2，甚至超越了传统物理模拟方法，还不用任何实验数据做基础，效率直接拉满。 抗体预测精度封神：抗体药物是全球医药市场的“摇钱树”，年销售额达数百亿英镑，但其与靶点的相互作用预测一直是难题。IsoDDE的预测精度，是AlphaFold 3的2.3倍，更是Boltz-2的近20倍，达到行业顶尖水平。 解锁“未知领域”的能力：最让科学家惊叹的，是它能精准预测“陌生分子”的相互作用——哪怕药物分子和它训练时用的数据差异极大，也能给出精准结果。哥伦比亚大学计算生物学家Mohammed AlQuraishi直言，这是药物研发中最难的问题，“足以说明他们用了全新的技术思路”。 更惊艳的是一个真实案例：cereblon蛋白被科学家研究了15年，一直认为它只有一个药物结合位点，直到今年才通过实验发现第二个隐藏位点（详情见本公众号2026年1月22日推文，点击文字即可查看）。而IsoDDE仅凭该蛋白的氨基酸序列，几秒钟就找出了两个位点，狠狠超越了传统实验的效率。 最争议：诺奖级工具，为何突然“闭源”？ IsoDDE的强大毋庸置疑，但它的“保密操作”，却让学界陷入了分歧——这也是它和AlphaFold最大的不同。 从AlphaFold 2到AlphaFold 3，DeepMind始终坚持“开源共享”：不仅免费向全球研究者开放工具，还会在顶级期刊上详细披露技术细节，让同行能借鉴、能优化，真正推动整个领域共同进步。但IsoDDE，却成了“独家秘方”。 Isomorphic Labs总裁Max Jaderberg直言，IsoDDE的底层模型和现有技术“有本质区别”，但公司绝不会公开核心细节。他只模糊表示，突破源于“算力、数据和算法的结合”，还称希望这份技术报告能“激励”其他团队跟进研究。 这番话，在学界看来更像是一种“姿态”。 AlQuraishi的吐槽道出了很多科学家的心声：“这确实是里程碑式的突破，但问题在于，我们对细节一无所知，根本不知道该怎么追赶。” 更有人质疑，IsoDDE的领先，可能并非全靠算法创新。武田制药的计算结构生物学家Diego del Alamo指出，Isomorphic Labs此前一直在疯狂与药企合作，大概率拿到了大量私有实验数据，“这些独家数据对性能的提升有多大，外界根本无从判断”。 毕竟，Isomorphic Labs早已不是单纯的科研机构——它已经拿到6亿美元融资，和强生、礼来、诺华等制药巨头签下数十亿英镑的合作协议，还布局了17条自有药物管线，创始人Demis Hassabis更是放话，首批AI设计的药物预计2026年底进入临床试验。 对它而言，IsoDDE是核心商业资产，闭源或许是商业化的必然选择，但这也与AlphaFold当年的“共享精神”渐行渐远。 开源不服输：它是标杆，但绝非不可超越 尽管IsoDDE闭源引发争议，但开源阵营并没有就此认输。 Boltz-2的联合开发者、伦敦Boltz公司负责人Gabriele Corso就直言，他不认为私有数据是IsoDDE领先的关键：“现有公开数据里，还有大量可挖掘的空间，我们完全能做出更大改进。” 在他看来，IsoDDE更像是为行业树立了一个新的“性能基线”：“我们的目标，不仅是追上它，更是要超越它。” 事实上，AI制药领域的竞争早已白热化。就在IsoDDE发布次日，另一家公司Deep Origin就官宣，自家的DODock引擎早在2025年8月，就已经在同一基准测试中达到了可比性能，而且用的是完全不同的技术路线。 更值得关注的是，随着AI制药从“概念”走向“落地”，学界和产业界都在思考一个核心问题：当最顶尖的AI工具越来越集中在少数企业手中，商业利益和科学共享，该如何平衡？ Isomorphic Labs的闭源，或许能让它在短期内占据商业优势，但开源模式的活力，也曾造就了AlphaFold的传奇。毕竟，药物研发的终极目标，是治愈疾病、造福人类，而这从来都不是一家公司能独自完成的事。 AI制药的未来，开放与封闭并存？ IsoDDE的问世，无疑标志着AI药物研发进入了一个全新阶段——AI不再只是“辅助工具”，而是能直接主导药物设计、缩短研发周期、降低成本的“核心引擎”。 传统药物研发往往需要耗时10年、投入数十亿美元，而IsoDDE这样的工具，有望将这个过程压缩到数月，让更多疑难病症迎来治愈的希望。 至于它的“闭源”争议，或许没有绝对的对错：企业需要保护核心利益，才能持续投入研发；而学界需要共享技术，才能加速整个领域的进步。 但可以肯定的是，IsoDDE不是终点，而是一个新的起点。无论是闭源的商业探索，还是开源的集体攻关，最终的赢家，都是人类健康。 我们或许无法立刻得知IsoDDE的“秘方”，但可以期待，这场关于AI制药的竞争，能催生出更多更强大的工具——毕竟，每一次技术突破，都是向“治愈所有疾病”的目标，又靠近了一步。 我们已经建立了医药交流群，群里有各大著名企业和重点高校的研究人员。大家可以一起讨论医药热点，分享经验，共同进步。想加入的话，扫码或添加小编微信（VX：Moon20240816），拉您进群！ 推文用于传递知识，如因版权等有疑问，请于本文刊发30日内联系医药速览。 原创内容未经授权，禁止转载至其他平台。 ©2021 医药速览 保留所有权利 往期链接 “小小疫苗”养成记 | 医药公司管线盘点  人人学懂免疫学| 人人学懂免疫学（语音版） 综述文章解读 | 文献略读 | 医学科普|医药前沿笔记 PROTAC技术| 抗体药物| 抗体药物偶联-ADC 核酸疫苗 | CAR技术| 化学生物学 温馨提示 医药速览公众号目前已经有近12个交流群（好学，有趣且奔波于医药圈人才聚集于此）。进群请扫描上方二维码，备注“姓名/昵称-企业/高校-具体研究领域/专业”，此群仅为科研交流群，非诚勿扰。 简单操作即可星标⭐️医药速览，第一时间收到我们的推送 ①点击标题下方“医药速览”   ②至右上角“...”  ③点击“设为星标

谷歌旗下的同样由 DeepMind CEO Demis Hassabis 担任 CEO 的 Isomorphic Labs 发布了被 Nature 称为「AlphaFold 4」的新一代 AI 药物设计引擎 IsoDDE。 它全面碾压前代，却选择完全闭源。 AI 造福科学的黄金时代，可能正在关上大门。 2024 年，Demis Hassabis 因为 AlphaFold 站上诺贝尔领奖台。 这个能预测蛋白质三维结构的 AI 模型，被 190 多个国家超过 300 万研究者使用，堪称 AI 惠及全人类的标杆案例。 诺贝尔委员会嘉奖的，与其说是一个算法，不如说是一种精神——把最强大的科学工具免费交到每一个研究者手中。 16 个月后，AlphaFold 的继承者亮相了。 2 月 10 日，Hassabis 创办的 AI 制药公司 Isomorphic Labs 发布了 27 页技术报告，展示一套名为 IsoDDE 的药物设计引擎，性能全面碾压 AlphaFold 3，被哥伦比亚大学计算生物学家 Mohammed AlQuraishi 评价为「AlphaFold 4 级别的重大进步」。 https://storage.googleapis.com/isomorphiclabs-website-public-artifacts/isodde_technical_report.pdf 但这一次，代码不会公开，论文不会发表，方法不会共享。 Isomorphic Labs 总裁 Max Jaderberg 对 Nature 说得很直白：我们不打算公开「秘方」。 AlphaFold 的开源传奇，很可能到第三代就是终点了。 能力确实强得吓人 先说 IsoDDE 做到了什么，这有助于理解后面的争议为什么这么大。 打一个不太严谨的比方：如果把蛋白质想象成一把锁，药物分子就是钥匙。 AlphaFold 做的事情，是帮你看清这把锁长什么样。 但光看到锁还远远不够——你得知道钥匙插进去能不能转动，转得紧不紧，甚至你得发现锁上还有没有别的你根本没注意到的钥匙孔。 IsoDDE 要回答的就是这些更难的问题。 它是一个统一引擎，把结构预测、结合强度计算、隐藏结合位点发现等能力整合在一起。 数字很能直观说明问题。 在一项专门考验 AI 能否处理「从没见过的」新蛋白结构的测试中（Runs N' Poses 基准），当测试样本跟训练数据的相似度低到 0-20% 时（这是最难的情况），IsoDDE 的成功率是 AlphaFold 3（AF3）的两倍多。 60 个最难案例里，有 17 个案例是 AlphaFold 3 彻底失败而 IsoDDE 做对了。 AlphaFold 3 在此示例中失败，IsoDDE 正确 在预测抗体如何识别靶标这件事上，IsoDDE 的高精度预测成功率是 AlphaFold 3 的 2.3 倍，是另一个主流开源模型 Boltz-2 的近 20 倍。 最令同行惊讶的是结合亲和力预测——也就是判断药物分子和靶点结合得有多紧。 这个任务传统上依赖一种叫 FEP 的物理模拟方法，计算成本极高，需要实验室提供晶体结构作为起点。 IsoDDE 在多个公开测试中不仅全面超过所有 AI 方法，甚至超过了 FEP，而且它根本不需要任何实验数据做起点。 技术报告里还有一个特别漂亮的案例。 有一个叫 cereblon 的蛋白，科学家们花了 15 年，一直以为它只有一个药物结合位点。 直到今年年初，一篇新论文才通过实验发现了第二个隐藏的结合位点。 而 IsoDDE 仅仅输入这个蛋白的氨基酸序列，就把两个位点全部找了出来——包括那个藏了 15 年的。 实验室要做同样的事，需要昂贵的晶体浸泡实验和大量时间。 IsoDDE 只要几秒钟。 AlQuraishi 说，他最震撼的是 IsoDDE 在完全陌生的分子体系上展现出的泛化能力，「这说明他们一定做了非常新颖的东西」。 闭源：故事真正令人不安的部分 如果 IsoDDE 是一个普通的商业软件，闭源天经地义，没什么好说的。 问题在于，它的前身 AlphaFold 代表着一种截然不同的价值观。 AlphaFold 2 在 2021 年开源，配套论文发表在 Nature 上，预测结果免费向全球开放。 这件事的意义远超技术本身——它证明了一种可能性：由科技巨头资助的前沿 AI 研究，可以真正成为全人类的公共品。 超过 300 万科学家用它做了自己的研究，无数项目因此加速，生物学的整条河流被它改变了流向。 2024 年的 AlphaFold 3 同样发表了论文，虽然代码开源的速度引发过争议，但最终也面向学术界开放。 IsoDDE 打破了这个传统。 27 页技术报告里几乎没有模型架构和训练方法的任何细节。 Nature 的报道副标题直截了当：科学家们「只能猜测如何实现类似的结果」。 Jaderberg 对 Nature 说的话耐人寻味。他说希望这份报告能「激励」其他团队。 但 AlQuraishi 的反应恐怕更能代表学术界的真实感受：「问题在于，我们对细节一无所知。」 有人觉得 Isomorphic Labs 作为商业公司保护自己的核心技术合情合理。这当然没错。 但值得追问的是：当 AI 在科学领域的能力越来越强、越来越集中在少数公司手里时，这些能力的开放程度，谁来决定？ Isomorphic Labs 已经拿到 6 亿美元融资，跟礼来和诺华签了潜在价值近 30 亿美元的合作协议，内部运行着 17 条药物管线。 Hassabis 今年 1 月在达沃斯说，首批 AI 设计药物预计 2026 年底进入临床试验。 这家公司正在从一个科研机构变成一台商业机器。 武田制药的计算结构生物学家 Diego del Alamo 指出了另一个微妙之处：Isomorphic Labs 此前投入大量精力与药企合作，可能获得了大量私有实验数据。 这些额外数据对 IsoDDE 性能的贡献有多大，外界无从知晓。 如果核心优势来自数据壁垒而非算法创新，那所谓的「激励」就更像是一种姿态。 开源阵营并没有认输 闭源引发焦虑，但也引燃了竞争。 Boltz-2 的联合开发者、非营利公司 Boltz 的创始人 Gabriele Corso 态度很明确：他不认为私有数据是关键因素，因为公开数据中仍然有大量改进空间。 IsoDDE 设定了一个新的性能基线，「需要追赶，也完全可以超越」。 另一家公司 Deep Origin 更为高调，直接在 IsoDDE 发布次日发声明说，自家的 DODock 引擎在 2025 年 8 月就已经在同一基准测试上达到了可比的性能水平——用的是完全不同的技术路线。 https://www.globenewswire.com/news-release/2026/02/11/3236623/0/en/Deep-Origin-Congratulates-Isomorphic-Labs-on-Catching-Up.html 开源社区过去两年也没闲着。 AlphaFold 3 发布后，多个团队已经做出了接近甚至部分超越它的开源模型，包括 Boltz-1/2、Chai-1、Protenix 等。 AI 制药领域正在重演大语言模型领域的剧本：一家公司亮出惊艳的闭源成果，整个开源社区迅速跟进，差距从代际缩小到可以追赶的距离。 但这里有一个关键区别。 语言模型的训练数据：互联网文本，是近乎无限的公共资源。 而 AI 制药的训练数据，特别是高质量的蛋白质-药物实验数据，其中相当一部分掌握在药企手中。 如果闭源模型的护城河建立在私有数据上，开源追赶的难度就大得多。 关上的门 这件事的影响可能超出药物研发领域本身。 过去几年，「AI 开源推动科学进步」是一个被广泛接受的叙事。 AlphaFold 是这个叙事最有力的证据。 每当有人质疑科技巨头的AI研究到底惠及了谁，AlphaFold 都是最好的回答——看，全世界 300 万科学家都在免费用它。 如今，当 AlphaFold 的直系后代选择闭源，这个叙事被撕开了一道口子。 它暗示了一种可能的未来走向： AI 在基础科学领域最强大的工具，逐渐从公共品变成商业资产； 突破性的成果以技术报告而非同行评审论文的形式发布； 学术界能看到结果，但永远看不到方法。 Hassabis 曾经说过，AI 应用于科学，是比语言模型更丰富的事业。这话没错。 但丰富的前提是开放。 当最强的科学 AI 只对付费客户敞开，科学共同体里的绝大多数人就只能在围栏外面看着。 AlphaFold 的诺贝尔奖章上刻着的，是把知识给予所有人的理想。 IsoDDE 的技术报告里写着的，是一个更强大的未来。 两者之间的距离，就是这个时代正在做出的选择。 文转自公众号“新智元” 本平台转载旨在分享交流 如有侵权，可联系删除 智源齐说 中国电子商会 | 大模型应用产业专委会 中关村人才协会｜大模型人才专委会 汇聚跨界人才｜协同创新发展 扫描上方二维码关注“智源齐说” 了解更多大模型产业生态

谷歌DeepMind旗下Isomorphic Labs推出的IsoDDE模型，最近在AI制药领域引发轰动。这个被科学家称为AlphaFold 4级别的工具，直接将药物发现效率拉到新高度——不仅能精准预测药物与蛋白质的结合强度，远超物理方法和同类开源模型（比如麻省理工的Boltz-2），还能处理完全没见过的分子相互作用，连抗体药物的核心设计难题都被破解。2月10日发布的27页技术报告里，Isomorphic Labs详细阐述了IsoDDE的优势：它能解析抗体结构，预测药物-蛋白质相互作用机制，这些成果让药物研发人员为之赞叹。 但这个神级模型的选择，却和DeepMind之前的策略截然不同。此前AlphaFold 2的开源让全球科研机构受益，推动了结构生物学大发展；而IsoDDE全程闭源，核心代码、训练细节甚至底层架构都不公开，只通过商业合作开放使用。这种转变立刻点燃了科学界的争论：有人说闭源无可厚非，千亿级的研发投入需要商业回报，核心技术本就是企业护城河；也有人担忧，黑箱式的AI会阻碍知识共享，让中小研究机构失去机会，拖慢整个领域进步。 哥伦比亚大学计算生物学家穆罕默德·阿尔库雷希的评价戳中关键点：“这是重大进步，规模堪比AlphaFold 4，但我们对细节一无所知。”他牵头研发开源的AlphaFold替代工具，却因为IsoDDE的闭源，失去了直接借鉴底层技术的机会。闭源背后的逻辑很清晰：AI制药进入商业化兑现期，核心能力成为企业核心资产；数据与算力投入巨大，长期免费开放难以支撑持续迭代；全球科技竞争加剧，关键底层技术的战略价值被重新评估。 这种选择对产业和科研的影响正在显现：头部药企和科技公司能通过合作接入顶级能力，新药研发周期继续缩短；但高校和公益科研只能通过有限的API服务开展基础研究，底层算法的自主创新变得更难。对国内来说，这既是挑战也是机遇——依赖开源模型跟进的时代结束，必须走自主研发路线，而国内已经有华为MEGA-Protein、深势科技Uni-Fold等工具在追赶，或许能借此机会实现突破。 AI制药的未来走到了分叉口：开放共享能让更多人参与，但闭源能让企业持续投入；学术研究需要免费工具，产业发展需要商业回报。Isomorphic Labs的闭源不是终点，而是开始——它让整个行业重新思考，如何在商业理性和科学进步之间找到平衡。