Isomorphic Labs：AlphaFold 之后的 AI 制药野心

Isomorphic Labs 是 Alphabet 从 DeepMind 分拆出的 AI 药物发现公司，由 AlphaFold 团队的核心成员领导。它的存在本身回答了一个问题：解决了蛋白结构预测之后，下一步做什么？

定位与路线

• 不做工具，做药：与卖软件或提供服务不同，它的目标是自己推进药物管线，并与大药企建立深度合作（已公开与礼来、诺华等的合作）。
• 基础模型路线：延续 AlphaFold 的思路，构建覆盖生物分子相互作用的大规模模型，而非针对单个任务建模。
• 结构 + 相互作用：AlphaFold 3 已能预测蛋白-配体、蛋白-核酸复合物，这是从「预测蛋白长什么样」到「预测分子如何相互作用」的关键跨越。
• 算力与人才优势：背靠 Alphabet 的资源，在大模型训练上有明显优势。

结构预测之后，瓶颈在哪

这是理解这家公司（以及整个领域）最关键的问题。AlphaFold 解决了一个困扰领域五十年的难题，但它并没有让新药研发变得容易，因为：

结论很清楚：结构预测解决的是曾经的瓶颈，而当前的瓶颈已经移到了别处。蛋白构象动态、结合自由能的准确预测、体内行为、以及最根本的「这个靶点对这个疾病是否真的有因果作用」——这些才是现在最难的部分。

「基础模型做药」的机会与挑战

• 机会：如果能训练出一个真正理解生物分子相互作用的模型，它可能同时改善亲和力预测、选择性预测、脱靶预测——这些目前是分开处理的问题。
• 数据挑战：结构预测之所以能成功，很大程度上是因为 PDB 提供了数十年积累的高质量结构数据。而亲和力数据、ADMET 数据、临床数据的规模和质量都远不及 PDB，且大量数据锁在药企内部。这是基础模型路线的根本约束。
• 验证挑战：药物研发的反馈周期以年计，模型迭代速度受此限制。
• 「模型更强 ≠ 药更好」：即使亲和力预测显著改善，靶点选择错误、临床设计不当仍会导致失败。

对从业者的启示

• 不要把结构预测当竞争壁垒：AlphaFold DB 免费、Boltz 是 MIT 许可（见 192《Boltz》）。差异化在于拿到结构之后能做什么。
• 关注真正的瓶颈：把资源投在亲和力预测、选择性、ADMET、以及最重要的靶点验证上，比继续优化结构预测更有价值。
• 数据仍是关键约束：自建高质量、标准化、含失败案例的数据集，仍是最深的护城河。
• 保持审慎乐观：这个领域的进展是真实的，但从「模型能力提升」到「药物获批」的链条极长。

延伸资源

• 结构预测工具：290《AlphaFold Server》、192《Boltz》、193《Chai-1》；
• 其他公司：308《Insilico Medicine》、309《Schrödinger》；
• 结构预测的局限见「结构与模拟」模块。