行业技术突破 - 诺奖得主David Baker团队的最新研究展示了一项重要突破：利用条件性RFdiffusion模型设计能够高亲和力结合亲水性蛋白质靶点的结合蛋白 [4] - 该技术的设计策略是通过条件性RFdiffusion生成与靶蛋白边缘β链形成几何匹配的扩展β片层结构，并特别设计氢键基团来互补靶蛋白上的极性基团 [5][6] - 实验验证表明，该技术针对KIT、PDGFRɑ等多个重要蛋白靶点设计了蛋白结合剂，获得了皮摩尔到纳摩尔级的高亲和力，且表现出高度特异性，KIT复合物晶体结构与设计模型高度一致 [9] - 此项技术突破了传统计算蛋白质设计的局限，显著扩展了可设计蛋白结合剂的靶标范围，特别是解决了针对亲水性相互作用表面的挑战，对于药物开发和蛋白质功能研究具有重要价值 [7] 培训课程概览 - 文章主体内容为推广一系列与AI蛋白质设计、合成生物学及计算机辅助药物设计相关的线上培训课程，宣称AI蛋白质设计是2026年最受关注的技术 [7] - 课程主办方宣称已联合清华大学、北京大学、西湖大学、浙江大学、中国科学技术大学、天津大学、协和药物研究所、上海药物研究所举办培训六十七期，参会学员达**7000余人**，学员好评极高，其中不乏论文发表于Nature、Cell、Science等国际顶刊 [7] - 主要开设六大课程：AI蛋白质设计线上直播课、AI抗菌肽设计线上直播课、合成生物学与基因线路设计线上直播课、CADD计算机辅助药物设计线上直播课、AIDD人工智能药物发现与设计系统培训录播课、AIDD人工智能药物发现与设计进阶顶刊复现录播课 [8] AI蛋白质设计课程内容 - 该课程旨在教授2026年最新最前沿的蛋白质设计工具及流程，让学员快速掌握David Baker的核心方法 [12] - 培训内容涵盖蛋白质结构预测（实操AlphaFold2、AlphaFold3、pymol、Foldseek）、蛋白质大语言模型（实操ESM系列、ProGen）以及多种蛋白质设计方法（实操ProteinMPNN、LigandMPNN、Rfdiffusion、RFdiffusion3等） [12] - 课程为期六天，理论结合实操，提供服务器使用，并讲解十二篇Nature/Science/Cell/JACS顶刊文献，以让学员了解当下蛋白质设计的核心热点与优势 [12] - 详细课程大纲分为六个部分，包括：蛋白质相关的深度学习简介、深度学习与蛋白质结构预测、固定主链蛋白质序列设计、深度学习蛋白质结构设计、面向功能的蛋白质序列设计、基于深度学习的蛋白质挖掘与改造应用 [12][16][21][24][28][32] AI抗菌肽设计课程内容 - 该课程聚焦于利用生成式人工智能设计抗菌肽，以应对抗生素耐药性挑战 [35] - 课程将精讲并复现基于蛋白质语言模型嵌入的潜在扩散模型——AMP-Diffusion，该模型由宾夕法尼亚大学和杜克大学研究人员合作开发，能够通过探索序列空间快速发现具有广谱抗菌活性（包括对多重耐药菌株）且低细胞毒性的候选抗菌肽 [35] - 课程内容分为五个部分，涵盖：基础环境与抗菌肽入门、Python编程基础与AMP-Diffusion架构解读、AMP-Diffusion模型实践与序列生成、计算筛选排序与设计验证、AMP-Diffusion论文精解与实战复现 [37][41][47][50][53] 合成生物学与基因线路设计课程内容 - 该课程旨在帮助学员建立将基因线路设计应用于解决真实科研与产业问题的能力，讲师具备横跨原核生物、真核模型到哺乳动物细胞系统的广谱跨物种实战经验 [57] - 课程设计分为五个核心部分，引导学员完成从工程思维建立、工具使用、诊断调优到智能设计与计算驱动设计的完整学习路径 [58][70][91][100][112] - 课程包含大量实操案例，如“番茄红素工程菌设计”、“动态基因线路（Toggle Switch）构建与模拟”、“利用无细胞系统进行通路快速优化”以及“使用计算工具（如FBA、ODE建模）预测和优化细胞行为” [63][87][107][113][120] CADD计算机辅助药物设计课程内容 - 该课程旨在系统讲解计算机辅助药物设计的核心原理与操作流程，涵盖从分子建模、虚拟筛选到分子动力学模拟的完整技术体系 [129][130] - 课程分为六个部分，内容包括：pymol使用与一般蛋白-配体分子对接、虚拟筛选、多类型分子对接（蛋白-蛋白、蛋白-金属离子、蛋白-DNA/RNA）、蛋白-蛋白相互作用预测、Linux下的分子动力学模拟、以及CADD驱动的抗体与酶工程设计实战 [131][138][147][156][158][163] AIDD人工智能药物发现课程内容 - 该系列包含系统培训录播课和进阶顶刊复现录播课，目标是让学员掌握人工智能在药物发现中的应用，具备AIDD模型构建和数据分析能力 [170][171] - 系统培训课程内容涵盖AIDD概述、环境搭建、RDKit工具包使用、药物数据库获取、以及深度学习（神经网络、图神经网络、Transformer）在药物设计中的基本原理与应用 [174] - 进阶顶刊复现课程则侧重于深度学习在化学反应预测、分子生成（如使用扩散模型、NLP）、以及将AI方法应用于真实药物研发场景（如酶工程、高亲和力小分子筛选）的案例分析与复现 [172][173] 讲师背景 - AI蛋白质设计课程主讲老师来自国内超顶尖课题组，在学术界和工业界均有丰富算法开发应用经验，主要从事蛋白质结构预测和设计研究，相关工作成果已在PNAS、Angew. Chem. Int. Ed.、Nature、Science等期刊发表，其课题组已发表文献**300余篇** [177] - AI抗菌肽设计课程主讲老师来自南开大学院士课题组，从事AI抗菌肽设计和蛋白质设计研究，成果发表于New England、Plos one等期刊 [178] - 合成生物学课程主讲老师为拥有海外背景的合成生物学专家，拥有6年基因线路设计经验，曾于中科院合成生物学重点实验室工作，目前致力于工业界代谢工程应用 [179] - CADD课程主讲老师来自江南大学，具备大量CADD及分子模拟项目经验，熟练掌握AutoDock Vina、Schrödinger、GROMACS、AlphaFold3、RFdiffusion等工具 [180] - AIDD课程主讲老师来自天津大学，拥有十余年计算机算法研究和程序设计经验，研究方向涉及深度学习药物发现和药物合成路径设计，发表SCI高水平论文**10篇** [181] 课程安排与费用 - 各直播课程授课时间集中在2026年1月至2月，通过腾讯会议线上直播，采用理论+实操模式 [183] - 课程费用根据公费或自费有所不同：AI蛋白质设计直播课公费价**6880元**/人，自费价**6380元**/人；其他直播课（AI抗菌肽设计、CADD、合成生物学）公费价**6380元**/人，自费价**5880元**/人 [184] - 录播课程（AIDD系统培训与进阶顶刊复现）公费价**4980元**/人，自费价**4680元**/人 [185] - 推出多项优惠：报二送一、提前报名缴费可享**800元**优惠（限前15名）、报名直播课赠送往期课程回放等 [8][185]

公司合作与业务进展 - Isomorphic Labs与强生旗下杨森制药达成合作协议 结合其AI设计引擎与杨森的药物开发专长 进行跨模式、多靶点研究合作[1] - 根据协议 Isomorphic负责计算机预测和设计 杨森团队负责实验测试并推动项目开发 具体财务条款和治疗领域尚未披露[1][5] - 公司已与诺华和礼来签署重大研究合作 总金额超过30亿美元[1][6] - 其他全球顶尖药企也正在与Isomorphic进行联合研发[1][5] 技术与产品发展 - 公司主要技术基于著名的AlphaFold2 其创始人因在AI蛋白质结构预测上的贡献获得2024年诺贝尔化学奖[1][6] - 2024年5月 Isomorphic联合DeepMind发布AlphaFold3 可预测所有生命分子的结构和相互作用 成为药物研发的革命性工具[3][8] - 公司正致力于用AI创建一个通用的药物设计引擎 该引擎能反复应用于任何不同的疾病领域 不局限于单一靶点或药物类型[3][8] 融资与战略愿景 - 2025年4月 公司获得6亿美元巨额融资 由Thrive Capital领投 GV和Alphabet跟投[5] - 融资资金将用于支持AI药物设计引擎 并帮助推进内部项目进入临床阶段[5] - 公司创始人认为AI是科学探索的终极工具 能攻克复杂科学难题 AlphaFold的成功即是明证[5][10] - 未来AI有望在材料科学、物理学、数学、天气预报等领域开启科学发现的又一个黄金时代[5][10] 公司背景 - Isomorphic Labs成立于2021年底 由DeepMind拆分而来[1][6]

行业背景与核心挑战 - 人体内最大的蛋白质肌联蛋白（titin）由超过3.4万个氨基酸组成，其化学全名长达189,819个字母，自1954年发现以来，其完整结构在70多年间一直未知，传统实验方法几乎无法解析[1] - 解析蛋白质三维结构的传统方法（如核磁共振、X射线晶体学、冷冻电镜）成本高昂，设备动辄上百万美元，耗时数月到数年，对于肌联蛋白这种拥有三百多个结构域的超级蛋白质更是难以应对[3] - 在浩瀚的蛋白质世界中，人类通过实验解析出的蛋白质结构不到20万个，在所有人体蛋白质中，也只有约35%的结构被实验解析，且很多残缺不全[6] 技术突破：AlphaFold的出现与能力 - 2020年11月30日，DeepMind推出的AlphaFold2在“全球蛋白质结构预测比赛”（CASP）中，凭借氨基酸序列预测蛋白质结构的准确率超过了90%，直逼实验方法[6] - AlphaFold数据库中的蛋白质预测结构已超过2亿个，涵盖了人类蛋白质组98.5%的结构，来自190多个国家的上百万科研人员正在使用这一开源工具[6] - 2024年，谷歌发布了AlphaFold3，能精准预测蛋白质与DNA、RNA等其他生命分子的相互作用，并推出了能主动设计定制蛋白质的AlphaProteo[23] - 2025年，谷歌推出了AlphaGenome，将预测能力延伸至DNA层面，可从DNA序列预测基因突变对生物学过程的影响[23] - 在蛋白质结构预测领域，除AlphaFold外，还有RoseTTAFold、ESMFold和I‑TASSER等AI模型也在不断突破[23] 应用领域：医药研发与疾病治疗 - 在2020年新冠疫情爆发初期，DeepMind利用开发中的AlphaFold2预测了新冠病毒部分蛋白质的结构，帮助研究者迅速了解病毒生理机制并筛选潜在治疗药物[8] - 生物技术公司Insilico Medicine将AlphaFold2整合进其AI药物发现平台Pharma.AI，通过该全流程AI方法，在几年内发现了治疗特发性肺纤维化的候选药物Rentosertib，该药物已进入II期临床试验，成为全球首个完全由AI发现靶点并设计化合物的试验药物[18][20] - 英国牛津大学的研究团队利用AlphaFold2找到了疟原虫蛋白质的关键结合位点，为开发能切断疟疾传播链的疫苗提供了新思路[10] - 马耳他大学的科学家使用AlphaFold研究基因突变对骨质疏松的影响，通过对比正常与突变蛋白质的结构模型来观察功能破坏的可能性[11] - 2023年，DeepMind基于AlphaFold推出了AlphaMissense模型，利用其对结构的“直觉”来判断错义突变是否可能致病，成功归类了人类所有错义突变中的89%，生成了“人类错义突变目录”，以帮助锁定罕见遗传病及糖尿病等复杂疾病的遗传因素[13] 应用领域：环境保护与工业设计 - AlphaFold2能帮助科学家重新设计蛋白质，以完成如高效降解一次性塑料等过去难以做到的任务[14] - 英国朴次茅斯大学的科学家利用AlphaFold，在短短几天内获得了上百种来自微生物的候选降解酶的三维结构，并基于这些结构设计反应更快、稳定性更高、成本更低的酶，以更有效地分解塑料垃圾[17] 具体案例：肌联蛋白研究的进展 - AlphaFold2将肌联蛋白的序列切分成166个“重叠群”（contig），每个长达上千个氨基酸，并分别给出了结构预测，科学家已将这些结构整合，得到了肌联蛋白中所有相互串联的双结构域的三维蓝图[21] - 科学家借助AlphaMissense等工具，评估了肌联蛋白不同突变的潜在致病性，使这个此前几乎无法触及的研究对象变得有迹可循[21] - 2024年，科学家发现了一种比肌联蛋白还要大25%的蛋白质PKZILLA-1，刷新了自然界已知最大蛋白质的纪录[23]

AlphaFold2的技术突破与科学影响 - 谷歌DeepMind推出的AlphaFold2于2020年11月问世，能够仅根据氨基酸序列精准预测蛋白质三维结构，其上一代版本2018年发布但预测准确率有限[3] - 2021年7月DeepMind团队在Nature期刊发表论文公布AlphaFold2开源代码和完整方法论[4] AlphaFold2的实际应用案例 - 维也纳大学Andrea Pauli团队利用AlphaFold-Multimer（2021年10月推出）发现精子和卵子结合中关键的三种蛋白质TMEM81、IZUMO1和SPACA6，颠覆之前认为只需两种蛋白质的观点[7][8] - 该研究发现TMEM81-IZUMO1-SPACA6蛋白质复合物分别与哺乳动物卵子上的JUNO蛋白或鱼类卵子上的Bouncer蛋白结合，介导精子-卵子结合[10] - Andrea Pauli表示AlphaFold加快了发现速度，如今每个项目都会使用该工具[12] AlphaFold2的全球采用数据 - 全世界190多个国家的约330万用户访问了EMBL-EBI托管的AlphaFold数据库，其中超过100万用户来自低收入和中等收入国家[15] - 该数据库包含超过2.4亿个蛋白质结构预测结果，涵盖地球上几乎所有已知蛋白质[15] - 描述AlphaFold2的Nature论文已获得接近4万次引用，研究人员兴趣未减退[12] - 超过20万项研究直接或间接使用AlphaFold，涉及近80万名科学家工作[24] AlphaFold2的行业影响 - 结构生物学领域使用AlphaFold的研究人员向蛋白质数据库提交的蛋白质结构数量比未使用者高出约50%[18] - 在计算生物学领域，几乎每场学术会议报告都会提到AlphaFold，在AI辅助药物发现和AI蛋白质设计等计算密集型领域有良好应用[21] - AlphaFold开辟了新的研究方向——AI蛋白质设计，带来了新的关注和资金投入[21] - AlphaFold2开始帮助研究人员解开疾病生物学机制，2024年发布的AlphaFold3能预测潜在疗法与蛋白质相互作用，更有助于药物发现[24]

文章核心观点 - AI药物研发正从“单点突破”迈向“通用智能”，ODesign作为国际首个通用分子设计世界模型，实现了多类型生物配体的一键式可控设计，标志着关键跨越 [2][4][7] - 该模型解决了当前AI分子设计领域的“模态孤岛”问题，能够统一处理蛋白质、核酸、小分子及金属离子等多种分子形态，将设计效率提升近50倍 [8][12][20] - ODesign的核心创新在于让AI从结构“预测”迈向“创造”，能够根据任意靶标生成任意结合配体，开启了AI驱动的分子创制新纪元 [13][15][32] 技术突破与创新 - ODesign采用全新的结构生成架构，由五个核心模块协同驱动：多层级表征、多尺度条件模块、分子间相互作用模块、三维重建解码器和分子序列生成模块 [16][17][18][19] - 模型通过跨模态共享的生成语言，将不同分子形态统一映射到通用分子生成空间，基于原子间相互作用进行“协同构建”，实现原子精度的分子结构生成 [20][22] - 在刚性与柔性构象下均可精准控制分子交互，实现可编程的生物设计 [22] 性能表现与验证 - 在蛋白、核酸和小分子三大模态的11项分子设计任务中进行系统测试，结果显示全面领先 [23][24] - 蛋白质设计：在MotifBench基准测试上取得比RFDiffusion和RFDiffusion-AA更高的设计成功率，在AME数据集上基于骨架的设计相比RFDiffusion-AA和RFDiffusion2有显著优势 [24][26] - 核酸设计：在60nt的RNA和DNA单体设计任务中实现约60%和20%的RMSD成功率，显著优于基准模型RNAFrameFlow [26][28] - 小分子设计：在6个蛋白靶标上相对主流RFDiffusion-AA提升约4倍的成功率，能针对复杂GPCR受体口袋设计出优质结合模式的小分子 [29][31] 行业影响与应用前景 - 模型设计效率较同类模型提升近50倍，将完整计算设计周期从数天压缩至数小时，意味着药物研发生产力的重塑 [12] - 已推出在线试用系统并向科研机构和产业用户开放，支持各形态分子生成、结构可视化与分析等核心功能，帮助研究人员快速获得高质量分子候选 [32][34] - 通用式生物分子设计是AI赋能药物研发领域的下一个“圣杯”，有望解决约85–90%人类蛋白被视为“不可成药”靶点的系统性瓶颈 [2][8]

文章核心观点 - 华盛顿大学David Baker团队开发的RFdiffusion3实现了蛋白质设计的范式转变，从氨基酸残基级别进入全原子级别设计 [1][2] - RFdiffusion3能够以原子精度设计蛋白质与蛋白质、小分子、核酸等多种生物分子的相互作用，显著扩展了蛋白质设计的功能范围 [2][3][9] - 该技术计算效率比前代方法提升10倍，计算成本仅为十分之一，参数规模1.68亿，为AlphaFold3的一半 [3][10] RFdiffusion3的技术突破 - 核心创新在于全原子扩散模型，同时模拟蛋白质主链和侧链的所有原子，包括相互作用的非蛋白质成分 [9] - 采用统一表示法，将每个氨基酸残基表示为14个原子，使用虚拟原子填充侧链原子较少的氨基酸 [13] - 模型架构基于Transformer U-Net，包含下采样模块、稀疏Transformer模块和上采样模块 [14] 性能表现与实验验证 - 在治疗相关靶点设计中，平均产生8.2个独特成功聚类，显著优于RFdiffusion的1.4个 [15] - 设计的DNA结合蛋白结合活性达到5.89±2.15 μM，设计的半胱氨酸水解酶Kcat/Km值达到3557 [21] - 在酶设计基准测试中，41个案例中的37个优于RFdiffusion2，成功率达90% [18] 应用前景与行业影响 - 为设计任意靶分子的结合蛋白、任意化学反应的催化剂以及复杂蛋白质组装体提供了通用平台 [28] - 能够精确控制酶活性位点、氢键供体/受体状态、底物和活性位点位置等关键参数 [24] - 技术发展将推动创新疗法、新型蛋白酶和生物材料的出现，实现"设计生命分子"的愿景 [25]

基因组编辑技术发展 - 自CRISPR-Cas9技术问世后，碱基编辑器（BE）和先导编辑器（PE）被开发，分别用于单碱基转换和小片段编辑[2] - 先导编辑器因其灵活性和精准性，在细胞和基因治疗及疾病建模领域受到关注，但受限于编辑效率低的问题[2] AI驱动的技术突破 - 研究团队利用AI工具RFdiffusion设计出仅82个氨基酸的MLH1小型结合蛋白（MLH1-SB），通过抑制错配修复（MMR）通路显著提高PE效率[3][9] - AlphaFold3用于高效筛选候选蛋白，整个设计筛选过程仅耗时4天，大幅缩短研发周期[15] 先导编辑器优化架构 - PE2、PE3、PE5等架构通过逆转录酶和切口向导RNA（ngRNA）改进编辑效率，但MMR通路会阻碍编辑整合[6] - PE4通过递送MLH1dn蛋白抑制MMR，但仅对10bp以下片段有效[7] - PE6和PE7通过RNA假结结构或外切核酸酶保护因子增强pegRNA稳定性，进一步提升效率[7][8] 效率提升数据 - PE7-SB2系统在人类细胞中编辑效率比PEmax和PE7分别提高18.8倍和2.5倍，小鼠体内效率比PE7提高3.4倍[11] - MLH1-SB的紧凑结构（82氨基酸）优于传统MLH1dn蛋白（753氨基酸），更易整合到AAV和LNP递送系统中[11] 技术应用前景 - MLH1-SB与现有PE架构（PEmax、PE6、PE7）兼容，可开发PEmax-SB、PE6-SB等新平台[10][11] - 生成式AI工具的高效性（如RFdiffusion网页版）正改变基因组编辑领域的研究模式，加速疗法开发[15]

港股通互联网指数表现 - 中证港股通互联网指数下跌0 88%，成分股涨跌互现，东方甄选领涨8 94%，狮腾控股上涨7 74%，同程旅行上涨1 74%，金山软件领跌8 31%，趣致集团下跌5 37%，美图公司下跌4 87% [3] - 港股互联网ETF下跌1 33%，报价1 71元，近1周累计上涨0 99% [3] - 港股互联网ETF盘中换手12 93%，成交4166 97万元，近1年日均成交1 73亿元 [3] 科技互联网公司医疗布局 - 京东健康发布自研医疗模型"京医千询"，与全国超15万家药店门店合作 [4] - 字节跳动收购医学科普平台"百科名医网"和互联网医疗公司幺零贰四，布局AI+生命科学上游技术，组建AIDD部门 [4] - 腾讯推出"腾讯觅影"AI影像平台和"AI辅助诊断系统"，开发人工智能药物发现平台"云深智药" [4] - 谷歌开源AI蛋白质结构预测工具AlphaFold3，英伟达开源AI制药框架BioNeMo，超200家药企采用，微软发布医疗AI助手Microsoft Dragon Copilot [4] 港股互联网ETF表现 - 近1年净值上涨54 80%，指数股票型基金排名122/2889，居于前4 22% [5] - 最高单月回报30 31%，最长连涨月数3个月，最长连涨涨幅24 85%，涨跌月数比9/7，上涨月份平均收益率9 04%，历史持有1年盈利概率100 00% [5] - 成立以来夏普比率1 56，相对基准回撤4 64% [5] - 管理费率0 50%，托管费率0 10%，近3月跟踪误差0 052%，跟踪精度最高 [5] - 中证港股通互联网指数最新市盈率22 3倍，处于近1年19 25%分位，估值低于近1年80 75%时间 [5] 中证港股通互联网指数构成 - 选取30家港股通互联网相关上市公司证券，前十大权重股合计占比72 11%，包括小米集团-W、腾讯控股、阿里巴巴-W、美团-W、金山软件、哔哩哔哩-W、美图公司、金蝶国际、京东健康、阿里健康 [6]

报告行业投资评级 - 领先大市（维持） [2] 报告的核心观点 - AI医疗相关应用伴随技术发展逐步由B端向C端渗透，各科技互联网公司基于技术与数据优势推动行业发展，建议关注阿里巴巴 - W、腾讯控股、京东健康、美团 - W、水滴公司等 [5] 根据相关目录分别进行总结 事件 - 6月26日，蚂蚁集团发布AI健康应用「AQ」，应用内提供上百项AI功能，连接全国超5000家医院、近百万医生、近200个名医AI分身等专业医疗服务，且已与健康管理设备合作，与可穿戴设备打通，可提供专属健康建议 [5] 模型发展与政策指引助力AI医疗行业 - 据弗若斯特沙利文预测，中国“AI + 医疗”市场规模预计从2023年的88亿元激增至2033年的3157亿元，十年间复合年增长率高达43.1% [5] - 截止2024年底，对外提供医疗领域AI应用的产品和服务且已备案的模型和算法数量已达101个，分布为问诊对话占比48%、健康评估与咨询占比24%、病历生成与结构化医学报告生成占比14%、辅助诊断占比5% [5] - 2017 - 2024年中国AI + 医疗政策体系逐步完善，从早期推动“互联网 + 医疗健康”和医学影像标准化，到2024年细化84个场景应用，覆盖诊疗全流程，强化基层医疗能力建设与数据互通共享 [5] - 2024年以来，对AI医疗技术的政策导向以“场景驱动、规范先行”为核心，地方政府与医疗机构普遍持开放态度 [5] 国内外科技互联网公司积极布局医疗行业 国内公司 - 京东2023年7月京东健康发布自研医疗模型“京医千询”，截至2025年第一季度，京东健康即时零售已与全国超15万家药店门店建立合作 [5] - 字节跳动2020年通过收购医学科普平台“百科名医网”、互联网医疗公司幺零贰四进入医疗行业，并布局AI + 生命科学上游技术，组建AIDD部门 [5] - 腾讯推出“腾讯觅影”AI影像平台用于疾病早期筛查，开发“AI辅助诊断系统”提升医生诊断效率，推出人工智能药物发现平台“云深智药”加速新药研发 [5] 海外公司 - 谷歌2024年11月11日宣布开源AI蛋白质结构预测工具AlphaFold3的源代码和模型权重 [5] - 英伟达2024年11月19日宣布开源AI制药框架BioNeMo，超200家药企采用 [5] - 微软2025年3月4日发布医疗界首个用于临床工作流程的AI助手Microsoft Dragon Copilot [5]

蛋白质结构预测技术突破 - 南开大学郑伟教授团队开发了新型蛋白质结构预测工具D-I-TASSER，在CASP15比赛中表现优于AlphaFold2和AlphaFold3 [2][3] - D-I-TASSER成功预测了人类蛋白质组中19512个蛋白质，覆盖率达95%，能够折叠81%的蛋白质结构域和73%的全长序列 [3][12] - 该技术融合深度学习和物理模拟，实现了高精度的蛋白质结构和功能预测 [3] AlphaFold的局限性 - AlphaFold在多结构域预测方面存在短板，80%的人类蛋白质含多个结构域，传统方法常忽略域间相互作用 [6] - AlphaFold是静态模型，难以捕捉蛋白质动态变化，对缺乏同源序列的蛋白质预测能力骤降 [6] - 纯数据驱动方法可能丢失蛋白质折叠的底层物理规律 [6] D-I-TASSER技术创新 - 深度融合深度学习与物理模拟，整合多源信息并利用物理引擎迭代优化结构 [8] - 首创自动切割-独立预测-动态组装的流程，域内精度达0.858，较AlphaFold2提升2.8%，域间取向误差降低17% [8] - 采用升级版DeepMSA2搜索宏基因组数据库，多序列比对信息量提升6.75倍 [11] 技术性能表现 - 在CASP15盲测中，对困难靶标的预测精度比AlphaFold2高29.2% [11] - 成功解析超过3000个氨基酸残基的超大蛋白质，如新冠病毒刺突蛋白，捕捉开放/闭合双构象 [11] - 无序区域构象多样性比AlphaFold高59%，系统注释了ATP结合、铁硫簇组装等关键功能位点 [14][15] 当前挑战 - 对孤儿蛋白（同源序列<1%）预测精度降至0.67 TM-score [20] - 尚未涉及蛋白质复合体的结构预测 [20] - 计算耗时仍高于纯深度学习模型 [20]