融资6亿美元，诺贝尔奖团队开发AI制药大模型
互联网之父蒂姆·伯纳斯·李曾评价他是“地球上最聪明的人”。
4岁学棋、7岁学习编程、16岁考入剑桥计算机科学系、22岁创办游戏公司、而立之年回归学术攻读认知神经科学博士学位，而后创办DeepMind，开发AI程序AlphaGo击败围棋世界冠军、研发AlphaFold破解蛋白质结构预测难题并荣获2024年诺贝尔化学奖，成为世界AI领域第一人。
Demis Hassabis图源Isomorphic Labs官网
对于Demis Hassabis而言，他的人生经历丰富且成果显著。2021年，他将视线转向医药研发领域，创立了Isomorphic Labs，这是一家专注AI药物研发的初创公司，依托AlphaFold的技术成果建立。Hassabis希望通过人工智能改进药物研发流程，推动生物医学领域的发展。
自创立以来，Isomorphic Labs开发出多个新一代AI模型，这些模型共同构成统一的AI药物设计引擎，可应用于多个治疗领域和药物模式。近期，Isomorphic Labs宣布获得6亿美元融资，由Thrive Capital领投，GV和Alphabet参投，将用于进一步开发其下一代AI药物设计引擎，并推动治疗方案进入临床阶段。
从AlphaGo，到AlphaFold，再到AI药物设计引擎
Demis Hassabis的AI逐梦之旅源于孩童时期。
早年接触并学习围棋的经历培养了他的策略思考能力，也为其日后在AI领域的深耕奠定独特思维基础。在剑桥大学计算机科学专业求学期间，Hassabis系统学习理论知识。毕业后短暂投身游戏行业，开发AI模拟游戏。这段实践经历让他深刻认识到人工智能在模拟人类学习能力上的潜力，也坚定了他创造能“自主学习”AI的想法。
2010年，Hassabis创立DeepMind，开启了将想法转化为现实的征程。2016年，DeepMind开发的AlphaGo以4:1击败围棋世界冠军李世石，这场人机对弈的胜利，不仅是技术的突破，更让全球看到AI在复杂策略领域的无限可能。在Hassabis看来，AlphaGo并非人们认为的“机器”：“就好像和人类一起探索宇宙的哈勃望远镜一样，AlphaGo是和我们一起探索围棋的哈勃”。
此后，Hassabis带领团队将目光投向医疗领域。基于与英国全国医疗系统合作获取的数据，DeepMind推出DeepMind Health智能医疗系统，为诊疗和症状判断提供AI辅助。
2018年，AlphaFold在被誉为“蛋白质结构预测奥运会”的CASP（Critical Assessment of Structure Prediction）比赛中，力压97个参赛者夺冠，成功根据基因序列预测蛋白质的3D结构。这项成果不仅解决了困扰生物学界半个世纪的难题，为医疗领域变革和新药物研发奠定理论基础，也让Hassabis团队在2024年荣获诺贝尔化学奖。
Hassabis团队在2024年荣获诺贝尔化学奖
凭借AlphaFold的技术积累，2021年，Isomorphic Labs宣布成立。作为从谷歌DeepMind剥离出来的子公司，它承载着Hassabis利用人工智能变革药物研发的新目标。
Isomorphic Labs首席AI官Max Jaderberg在访谈中谈到，药物研发的本质是在近乎无限的分子空间（科学家估算约有10^60种可能性，远超宇宙原子数量）中寻找最优解。Isomorphic Labs的目标，正是打造一套AI药物设计系统，利用AI技术更高效地筛选和设计药物分子。
2024年以来，Isomorphic Labs迎来多个关键发展节点：
1月，公司与诺华、礼来达成战略合作，分别获得3750万美元与4500万美元的预付款，用于共同开展AI辅助药物研发。其中，与诺华的初始合作聚焦于针对三个高难度靶点的小分子疗法发现，而与礼来的合作则围绕多个未公开靶点展开小分子药物研发。
5月，lsomorphic Labs与谷歌DeepMind联合发布AlphaFold 3，该模型不仅能预测蛋白质折叠，还可精准解析药物中常见分子的相互作用，大幅提升药物研发效率。
2025年2月，诺华宣布扩大与Isomorphic Labs的合作范围，在原有三个靶点基础上新增最多三个研究项目。诺华生物医学研究总裁Fiona Marshall提到，过去一年Isomorphic Labs的AI技术已帮助探索了传统方法无法触及的新化学空间，未来双方将继续聚焦高难度靶点，满足临床未被满足的患者需求。
目前，Isomorphic Labs以统一的AI药物设计引擎为核心，持续开发新型预测和生成式AI模型，聚焦肿瘤学和免疫学领域，通过分析生物数据挖掘药物候选分子，为全球患者带来创新治疗方案。
高精度分子预测能力，覆盖全类别生物领域
在生命科学研究领域，蛋白质结构解析是理解生命活动分子机制的关键环节，能够为药物设计提供关键依据。过去，蛋白质结构解析主要依靠如X射线晶体学、核磁共振、冷冻电子显微镜等实验方法，这些方法虽然能够提供高精度的蛋白质结构信息，但通常需要花费大量的时间和精力，存在一定局限性。
2020年，AlphaFold 2运用深度学习算法实现重大突破，仅通过蛋白质的氨基酸序列就能准确预测三维结构，为后续研究提供了关键技术支撑。自发布以来，AlphaFold 2在全球科研领域得到广泛应用，数百万科研人员将其运用于疟疾疫苗研发、癌症靶向治疗探索、工业酶优化设计等多个方向，还荣获了生命科学突破奖等多项权威荣誉。
2024年推出的AlphaFold 3实现了技术的进一步跨越：
Evoformer核心模块的改进。Evoformer是一种基于深度学习的架构，灵感来源于自然语言处理中的Transformer模型（类似ChatGPT的核心架构）。它能够高效处理输入的分子信息，通过对序列数据的深度分析，捕捉分子之间复杂的进化关系和相互作用模式。
扩散网络生成分子3D结构。AlphaFold 3在完成序列数据处理后，通过扩散网络生成分子结构。这一过程类似于AI图像生成技术，从模糊的原子云状态开始，模型经过数百次甚至上千次的迭代优化，不断调整原子的位置和相互关系，逐步收敛到一个能量最低、最符合物理规律的精确3D结构。
从单一蛋白质到全类别生物分子。相较于AlphaFold 2仅专注于蛋白质结构预测，AlphaFold 3实现了跨分子类型预测，其范围覆盖DNA、RNA、配体等全类别生物分子。生物体内的功能通常由多种分子协同完成，如基因表达需要DNA、RNA、蛋白质共同参与，AlphaFold 3实现了对细胞内更多种类的生物分子进行结构和相互作用的分析，为全面理解生物系统的复杂性提供了更为强大的工具。
分子相互作用预测精度突破。在蛋白质与其他分子相互作用预测精度上，AlphaFold 3较传统方法提升至少50%，部分关键场景下精度翻倍。这使得科学家能够更准确地了解生物分子之间的相互作用方式，对于药物设计、理解疾病机制等领域具有重要意义，因为精确的分子相互作用信息是开发有效药物和深入研究疾病发生发展过程的关键。
AlphaFold 3准确预测生物分子复合物的结构
如果说AlphaFold 3是AI制药领域的基础科学突破，那么Isomorphic Labs的AI药物设计引擎则是这一突破的产业应用案例。其引擎正是以AlphaFold 3为核心技术支撑，融合扩散模型、多任务强化学习框架等多种前沿AI技术，形成的有机协同的整体架构。
其中，扩散模型能依据已知的分子结构来生成具有潜在活性的分子，通过对已有分子结构的分析和变换，创造出可能具有药用价值的新分子，丰富候选药物库；多任务强化学习框架则根据药物研发需求，动态优化模型参数，实现从分子结构预测、生成到优化设计的完整技术链条。
传统的药物研发过程中，筛选候选药物分子是一项耗时耗力的工作，往往需要进行大量的实验和计算，耗费数年甚至数十年的时间。而Isomorphic Labs的AI药物设计引擎借助AI技术，能够在短时间内处理海量的生物数据，通过智能算法快速识别具有潜力的药物候选分子，从过去的平均5～10年降至1～2年甚至更短，在药物研发效率上实现质的飞跃。
目前，引擎在药物研发中展现出三大核心优势：
技术层面，凭借AlphaFold 3的高精度分子预测能力，能预测所有生命分子的结构和相互作用，以此准确解析药物与靶点的结合模式，为药物设计提供更精准的分子结构信息，使研发人员能够基于对分子机制的深入理解设计药物，显著提升药物设计成功率。
效率层面，引擎替代了人工实验和数据处理，能高效识别有潜力的药物候选分子，以此缩短药物发现的周期，降低研发成本，加速创新药物的推出，为患者更快地提供有效治疗方案。
应用层面，传统药物研发受限于技术瓶颈，对疾病领域和药物类型往往有限制，而引擎因兼容全类别生物分子，可同时探索肿瘤、免疫病、罕见病等多个领域，以及小分子、生物制剂等多种药物形式，还对配体结合、复合体稳定性等药物设计关键维度具备强预测力，极大拓展了药物研发的边界。
6亿融资，只是一个开端
近年来，在生物制药领域，AI 技术正发挥着越来越重要的作用。
《2025年AI制药市场分析及未来发展趋势报告》显示，2025年全球AI制药市场规模预计达200亿美元，年复合增长率超30%。在AI制药领域，全球范围内已有超过百家初创公司和大型制药企业投入大量资源进行研发。
在Max Jaderberg看来，未来十年将是药物研发的变革期。随着AI技术发展，生物学领域正迎来“GPT-3时刻”——AI模型将从被动模拟转向主动创造，催生具备自主探索能力的“科学智能体”，而AI+蛋白质作为医药的主要分支，随着靶向药物、合成生物学的流行而越来越受到重视。
以AlphaFold 3为代表，动态结构模拟技术已开启新的研发维度——药物设计不再局限于静态分子结构，而是聚焦蛋白质在溶液中的真实运动状态及其与药物的相互作用，这将显著提升候选药物的有效性。
随着技术突破，大量蛋白质预测数据库与设计工具正在被利用。谷歌主导的结构数据库公开约2亿个蛋白质结构模型，Meta的esm-fold软件免费提供超6亿个蛋白质三维结构数据。在设计工具方面，RoseTTA Fold、AlphaFold 3及国际蛋白质数据库PDB的全新服务，均为相关研究提供助力。
同时，在药物发现方面，AI的应用已经取得了显著成果。例如，斯坦福医学院与麦克马斯特大学研究人员开发SyntheMol模型，并成功设计出能抑制超级细菌鲍曼不动杆菌的分子；英矽智能则利用自研AI平台，成功识别罕见肺部疾病的全新药物靶点，整合多源数据挖掘疾病分子关联，为新药研发开辟新路径。
然而，AI制药的发展仍面临诸多挑战。技术突破虽带来希望，但实际落地仍需跨越数据、监管、行业协作等多重障碍。但不可否认的是，AI正在从医药研发的辅助工具转变为重要驱动力。
目前，AI 技术已几乎覆盖从药物靶点发现到临床研究的全链条环节，随着技术的深入应用，人类快速研发各类新药、攻克疑难疾病的愿景正逐渐接近现实，而Isomorphic Labs正站在这场变革的前沿。
本文来自微信公众号“动脉网”（ID：vcbeat），作者：陈茂雨，36氪经授权发布。