StartseiteArtikel

10 Jahre sind zu lang, Gu Quanquans Team fordert Dario heraus: Die Zeit bis zur Heilung von Krebs auf 4 Jahre zu verkürzen.

新智元2026-11-16 13:59
Das Team von Gu Quanquan hat mit NovaAtom-Lite die Spitzenposition im Benchmark für Biomolekülvorhersage errungen.

Kürzlich sagte Dario Amodei, der CEO von Anthropic, einen Satz:

KI wird die biologischen Fortschritte der Menschheit, die normalerweise 50 bis 100 Jahre dauern würden, innerhalb von 10 Jahren komprimieren – Krebs, Alzheimer, Herzerkrankungen, alle sollen voraussichtlich überwunden werden.

Diese Aussage ist sehr kühn, aber viele Leute denken, man kann sie nur anhören und nicht ernst nehmen.

Bis ein Wissenschaftler namens Gu Quanquan auftrat und sagte: 10 Jahre sind zu langsam, wir werden den Arzneimittelentwicklungsprozess auf 4 Jahre komprimieren!

Am 10. November veröffentlichte sein Unternehmen Geodesic Intelligence, das er erst vor 5 Monaten gegründet hat, das allatomare Strukturvorhersagemodell NovaAtom-Lite.

Auf FoldBench, dem strengsten globalen Benchmark-Test für Biomolekülvorhersage, hat NovaAtom-Lite direkt das Spitzenmodell IsoDDE von Isomorphic Labs unter Google DeepMind besiegt.

Es hat in einer Reihe von biopharmazeutischen Benchmark-Tests die Spitzenposition erobert und mehrere TOP-1-Platzierungen erzielt!

Link zur Modellkarte: https://www.geodesiclab.com/news/introducing-novaatom-lite

Ein Startup mit 15 Mitarbeitern, mehreren hundert GPUs und nur 5 Monaten Entwicklungszeit. Auf der anderen Seite steht Isomorphic Labs, das insgesamt 2,7 Milliarden US-Dollar eingesammelt hat und derzeit über eine neue Finanzierungsrunde mit einer Bewertung von 40 bis 50 Milliarden US-Dollar verhandelt.

Auf X brach sofort eine große Diskussion aus.

Jemand seufzte: „Dario Amodei sagt voraus, dass Krebs innerhalb von 10 Jahren überwunden wird, aber der Gründer von NovaAtom sagt, dass es nur 4 Jahre dauert.“

Jemand rechnete nach: „Google DeepMind hat Isomorphic ausgegliedert, Milliarden von Dollar verbrannt und die Bewertung auf über 40 Milliarden US-Dollar gebracht. Und dann hat ein Professor der UCLA mit einem Startup von 15 Mitarbeitern in nur 5 Monaten das übertroffen.“

Und das ist nicht das erste Mal, dass Gu Quanquan so etwas erreicht. Zuvor leitete er bei ByteDance das Team, das SeedFold entwickelt hat – das weltweit erste Modell, das AlphaFold 3 auf FoldBench übertrifft.

Gerade das plötzliche Erscheinen von SeedFold zwang Isomorphic Labs, IsoDDE herauszubringen, um den Thron der Strukturvorhersage zurückzuerobern. Und jetzt hat NovaAtom-Lite IsoDDE wieder besiegt, der Thron wechselt erneut den Besitzer.

Noch beeindruckender: Laut den Informationen, die Gu Quanquan auf X preisgegeben hat, ist NovaAtom-Lite nur der Auftakt, das größere und leistungsstärkere NovaAtom-Pro steht bereits in den Startlöchern.

Das bedeutet, selbst wenn Isomorphic Labs in Kürze ein stärkeres Modell veröffentlicht, um einen Gegenschlag zu versuchen, könnte es von NovaAtom-Pro erneut übertroffen werden.

In diesem Wettbewerb um den Thron der Strukturvorhersage hat Gu Quanquan bereits zwei Runden hintereinander gewonnen, und die Karte für die dritte Runde hält er noch in der Hand.

Damit wird der Zeitplan für die Überwindung unheilbarer Krankheiten durch die Menschheit erneut vorverlegt!

Die Biowissenschaften haben ihren „HBM-Explosionsmoment“ erreicht, so kommentieren Investoren.

Was macht NovaAtom-Lite eigentlich genau?

Warum ist die Arzneimittelentwicklung so schwierig?

Denn das Wesen der Wirkung eines Arzneimittels besteht darin, dass ein Molekül ein anderes Molekül präzise „greift“.

Antikörper müssen Antigene greifen, kleinmolekulare Arzneimittel müssen in die Tasche eines Proteins passen.

Dieses „Greifen“ findet auf atomarer Skala statt – auf der Ebene von Ångström (Å), ein Ångström ist ein Zehn-Milliardstel Meter.

Wenn es nur ein wenig abweicht, wirkt das Arzneimittel nicht mehr.

Bei herkömmlichen Methoden werden die Proben nacheinander in Nassversuchen getestet. Im Durchschnitt dauert es 13 Jahre, bis ein neues Arzneimittel vom Labor auf den Markt kommt, kostet fast 2 Milliarden US-Dollar und hat eine Erfolgsrate von weniger als 5 %. Der Wert von KI liegt darin: Dass dieses „Greifen“ zuerst im Computer simuliert wird, was den Zeitraum für Fehlversuche stark verkürzt.

Genau das macht NovaAtom-Lite –

Wenn Sie die Sequenzen von Protein, DNA, RNA und die Informationen des kleinmolekularen Liganden eingeben, kann es die dreidimensionalen Raumkoordinaten jedes schweren Atoms (Atome außer Wasserstoff) im gesamten Komplex vorhersagen.

Keine unscharfe Kontur, sondern eine Position, die bis auf die Atomebene genau ist.

Und es ist kein „starrer“ Rechner.

NovaAtom-Lite ist mit einer Reihe von „Bedingungsbeschränkungen und Hinweisfunktionen“ ausgestattet, die von großem ingenieurtechnischen Wert sind.

Sie können ihm sagen: Hier gibt es eine kovalente Bindung, dort gibt es eine bekannte Bindungstasche. Das Modell behandelt diese Informationen als Referenz Hinweise, nicht als starre Beschränkungen, und macht Vorhersagen flexibel wie ein „KI-Gehirn“, das die Gesetze von Chemie und Physik versteht.

Die Ausgabe ist nicht nur eine Gruppe von Koordinaten.

Das Modell gibt gleichzeitig die lokale Strukturvertrauenswürdigkeit pLDDT, den erwarteten Fehler zwischen Resten PAE und den Schnittstellenzuverlässigkeitsindex ipTM zurück – einfach gesagt, es gibt Ihnen nicht nur die Antwort, sondern sagt Ihnen auch, „wie sicher ich mir bei dieser Antwort bin“.

Zwei starke Schläge: 79,07 % und 77,06 %

Um die Stärke eines Strukturvorhersagemodells zu bewerten, gibt es zwei wichtigste Prüfsteine in der Pharmaindustrie: Antikörper-Antigen-Bindungsvorhersage und Protein-Ligand-Bindungsvorhersage.

Ersteres ist der Kern von makromolekularen Arzneimitteln (z. B. krebsbekämpfende Antikörper) – Sie müssen wissen, wie der Antikörper das Ziel präzise „verriegelt“; Letzteres ist der Schlüssel zu kleinmolekularen zielgerichteten Arzneimitteln – das Arzneimittelmolekül muss genau in die Bindungstasche des Proteins passen.

Die beiden Richtungen, eine schwieriger als die andere.

FoldBench ist derzeit der anerkanntermaßen strengste Benchmark für die Vorhersage von allatomaren Biomolekülen, der 1522 Komplexstrukturen enthält, wobei alle Daten aus neuen Strukturen stammen, die nach dem Stichtag für das Modelltraining veröffentlicht wurden, was die Möglichkeit ausschließt, „vorher die Antwort zu sehen“.

Erster Schlag: Antikörper-Antigen. FoldBench enthält 172 Antikörper-Antigen-Bindungsschnittstellen.

Als Bewertungsstandard wird der DockQ-Score verwendet (man kann ihn verstehen, wie ähnlich die vorhergesagte Bindungshaltung der echten Struktur ist, Werte über 0,23 gelten als erfolgreiche Vorhersage, je höher desto besser).

Ein Unternehmen, das erst 5 Monate alt ist, liegt um 31 Prozentpunkte höher als AlphaFold 3 und um 3,5 Prozentpunkte höher als Isomorphic Labs, das 2,7 Milliarden US-Dollar eingesammelt hat.

Noch beeindruckender: Wenn man den Standard auf DockQ ≥ 0,80 anhebt (Vorhersage mit extrem hoher Genauigkeit), ist die Erfolgsrate von NovaAtom-Lite das 2,2-fache von AlphaFold 3.

Zweiter Schlag: Protein-Ligand. Dieser Test deckt 558 Bindungsschnittstellen ab, die Bewertungsstandards sind strenger: Es wird nicht nur verlangt, dass die Abweichung zwischen der vorhergesagten Position des kleinmolekularen Arzneimittels und der echten Position weniger als 2 Å beträgt (Ligand-RMSD < 2 Å), sondern auch dass die Kontaktdetails des umgebenden Proteins stark übereinstimmen (LDDT-PLI > 0,8). Nur wenn beide Bedingungen gleichzeitig erfüllt sind, gilt der Test als erfolgreich.

Bei beiden Kernindikatoren steht es auf Platz 1.

Versteht es wirklich Physik oder hat es nur die Antworten auswendig gelernt?

Jedes Mal, wenn ein Modell die Ranglisten erobert, ist die erste Reaktion in der Branche: Hast du heimlich die Antworten gesehen?

Dieser Einwand ist völlig gerechtfertigt. Die Trainingsdaten von Strukturvorhersagemodellen bestehen aus bekannten Proteinstrukturbibliotheken. Wenn das Modell nur das, was es schon gesehen hat, auswendig gelernt hat, nützt es nichts, selbst wenn die Punktzahl sehr hoch ist: An der vordersten Front der Arzneimittelentwicklung trifft man ausschließlich auf neue Moleküle, die noch nie zuvor gesehen wurden.

In der Branche gibt es einen strengen Test namens Runs N' Poses, der gegen das „Auswendiglernen“ wirkt. Er teilt die Testproben nach der Ähnlichkeit mit dem Trainingssatz in 8 Gruppen ein, von „sehr ähnlich“ bis „völlig unbekannt“, und deckt die Grundlagen des Modells Schritt für Schritt auf.

In der Gruppe mit der geringsten Ähnlichkeit von 0-20 % (63 Liganden, die „völlig unabhängig“ vom Trainingssatz sind, vergleichbar mit Aufgaben in einer Prüfung, die völlig außerhalb des Lehrstoffs liegen) sind die Ergebnisse der einzelnen Modelle wie folgt:

Die Erfolgsrate von AlphaFold 3 sinkt direkt auf 24 %, während NovaAtom-Lite stabil bei 47,6 % bleibt, fast das Doppelte des ersteren.

In der Gruppe mit der höchsten Ähnlichkeit von 80-100 % verkleinert sich der Abstand zwischen den beiden dagegen auf 91,0 % gegenüber 88,2 %.

Das zeigt: Je unbekannter die Moleküle sind, desto größer ist der Vorsprung von NovaAtom-Lite.

Es lernt keine Inhalte auswendig, sondern beherrscht wirklich die grundlegenden physikalischen Gesetze der mikroskopischen Atomwelt und verfügt über ein übertragbares „Schlussfolgerungsmodul“.

Wenn man ihm mehr Zeit zum Nachdenken gibt, wird es intelligenter

Jeder, der im Bereich KI arbeitet, kennt einen Trend namens Test-time Scaling – wenn man dem Modell in der Inferenzphase mehr Rechenleistung zur Verfügung stellt, wird die Qualität der Antwort höher.

Dieser Trend wurde im Bereich der großen Sprachmodelle bereits bestätigt, und NovaAtom-Lite beweist, dass dieses Gesetz auch bei der Vorhersage von Biomolekülen gilt.

Auf der gleichen Gruppe von 172 Antikörper-Antigen-Schnittstellen führte das Team eine elegante Reihe von Experimenten durch:

1 zufälliger Seed (minimale Rechenleistung): Erfolgsrate 74,3 %

5 zufällige Seeds: 79,07 %

25 zufällige Seeds: 81,7 %

100 zufällige Seeds (tiefgreifende Inferenz): 83,1 %

Oracle-Obergrenze (nachträglich die optimale Lösung anhand der experimentellen Antwort auswählen): 88,4 %

Von 74,3 % auf 83,1 %: Nur durch die Erhöhung der Anzahl der Stichproben steigt die Erfolgsrate um fast 9 Prozentpunkte.