Google DeepMind 旗下 Isomorphic Labs 的藥物設計引擎（Isomorphic Labs Drug Design Engine，IsoDDE），是一套超越 AlphaFold 3 的全新運算型藥物設計系統，顯著提升對生物分子的預測準確率，同時新引進多項能力，填補結構預測與真實世界藥物研發之間的落差。
儘管 AlphaFold 3 為生命基本單元的結構建模立下標竿，但面對全新的化學空間或分子在生理條件下實際互動的複雜動態時，往往遭遇瓶頸。IsoDDE 透過加強泛化能力解決這些限制，也就是讓 AI 能夠準確處理其訓練資料中從未見過的生物系統。這次躍進在系統模擬誘導契合（induced fit）與隱藏口袋（cryptic pockets，即蛋白質改變形狀以適應藥物結合）的能力最為明顯。透過掌握細微差異，IsoDDE 有效地彌補靜態三維影像與功能性、有效藥物之間的鴻溝。
IsoDDE 最重要的升級之一，是預測結合親和力（binding affinity）的能力，也就是藥物與目標結合強度的準確率，這個能力過去只能透過緩慢且昂貴的物理模擬才能達成。AlphaFold 3 著重蛋白質幾何結構的「位置」與「形態」，而 IsoDDE 則側重於「結合效果」，其性能優於目前的深度學習方法，並在主要基準測試中與 FEP+ 等黃金標準的工具相當。IsoDDE 能以更低的時間與成本完成任務，關鍵的是，無需預先具備實驗晶體結構即可運作。這個能力使研究人員能在數秒內快速對數千種潛在分子進行排序，找出最具潛力的分子進行最佳化，不必仰賴實驗過程大量試錯。
IsoDDE 在生物製劑開發也帶來重大突破，在抗體—抗原介面預測上的性能較 AlphaFold 3 提升 2.3 倍。它特別擅長預測 CDR-H3 loop，此一區域因高度變異性長期被視為難預測的結構之一，進而開啟在電腦上從零開始設計抗體的全新可能性。
除抗體外，IsoDDE 還具備盲性口袋辨識能力，能在毫無事先提示的情況下，掃描蛋白質序列以尋找潛在的藥物結合位點。近期在蛋白質 cereblon 的案例中，IsoDDE 成功重新發現了一個科學界十多年來未曾察覺的隱藏口袋。透過僅依據胺基酸序列辨識這些未被表徵的口袋，IsoDDE 本質上擴展可配體蛋白質體（ligandable proteome）的範圍，使過去被視為「不可成藥」標的，有機會轉變為可行的新療法。
Today we share a technical report demonstrating how our drug design engine achieves a step-change in accuracy for predicting biomolecular structures, more than doubling the performance of AlphaFold 3 on key benchmarks and unlocking rational drug design even for examples it has… pic.twitter.com/rTzmHenPWR
— Isomorphic Labs (@IsomorphicLabs) February 10, 2026
（首圖來源：Isomorphic Labs）
科技新報粉絲團
加入好友
訂閱免費電子報
