分子之心 MMDesign 技术报告：19 个项目成功率 94.7%，6 个 GPCR 靶点全部命中
重点不是 AI 能生成多少分子，而是送进实验室的候选能压到几十个、还能跨靶点跨模态重复成功——这才是在往可复用的研发工作流走。
分子之心发布 AI 从头设计平台 MMDesign 的技术报告：覆盖 18 个靶点、纳米抗体与大环肽两类模态的 19 个项目中，18 个获得实验确认的结合分子，项目成功率 94.7%；每个项目只测 9—50 个候选（中位数 21 个），453 个受测候选里 139 个确认结合。六个 GPCR 靶点全部命中，其中 NK3R 的 30 个候选全中。
正文摘录
.jpg) 让 AI 生成成千上万条蛋白质序列，早已不是 AI 生物药研发最值得炫耀的能力。更重要的问题是：真正送进实验室的分子能否足够少，成功的机会又能否足够高？ 分子之心近日发布 AI 从头设计平台 MMDesign 最新技术报告，给出了一组颇具冲击力的答案：覆盖 18 个靶点、纳米抗体（VHH）和大环肽两类分子模态的 19 个设计项目中，18 个获得经实验确认的结合分子， 项目成功率达 94.7% ；每个项目 仅测试 9—50 个候选分子 ，中位数为 21 个。更值得注意的是， 六个受测 GPCR 靶点全部获得命中 ，针对此前已成功获得命中分子的六个靶点开展新一轮设计，其中五个项目取得了优于前一轮的结果。 这组结果传递的信号，不是 AI 又一次 “设计出了分子”，而是从头设计正在从个别靶点的亮眼示范，向 少量实验验证、跨靶点、跨模态的可重复研发工作流 迈进。 每个项目只测几十个：AI 设计开始压缩实验筛选的规模 长期以来，抗体发现高度依赖动物免疫和大规模文库筛选，在数量庞大的候选中寻找具有结合能力的分子。 AI 从头设计尝试改变起点：研究人员指定目标蛋白和潜在结合位点，由 AI 直接生成新的分子序列。但从中精准选出有结合潜力、可进入实验验证的候选分子才是关键突破口。 MMDesign 采用 “生成 — 计算优选 — 实验验证” 的流程：先在计算空间探索大量序列，再结合结构可靠性、序列特征及物理评估等标准，将候选数量压缩到每个项目仅 9—50 个 —— 如同让 AI 先在计算机里完成分子 “海选”，再把优选选手送进实验室 “复试”。