分子之心 MMDesign 技術報告：19 個項目成功率達 94.7%，六個 GPCR 靶點全獲命中

机器之心发布

让 AI 生成成千上万条蛋白质序列，已经不是 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”。

报告汇总的 19 个设计项目中，18 个获得命中候选，成功率 94.7%；453 个受测候选中，有 139 个获得确认结合，合并候选命中率约 30.7%；15 个项目至少得到两个结合分子，为后续筛选优化保留了选择余地。

验证结果汇总

这里有两个不同但都重要的指标：94.7% 衡量的是 “一个项目能否找到至少一个结合分子”，30.7% 衡量的是 “受测候选中有多少真正命中”。两者共同表明，MMDesign 不只是扩大计算端的生成规模，更尝试把实验室需要验证的范围压缩到几十个分子，并能获得成功结合的分子进入后续研发流程。

对制药研发而言，潜在价值十分直接：如果计算端能够更早排除大量低价值候选，实验资源便可以更多集中于有希望的设计。

六个 GPCR 全部命中：把难靶点能力摆到台前

如果说 94.7% 的项目成功率展示了效率，GPCR 系列结果则更能体现从头设计的技术实力。GPCR 是重要的药物靶点家族，其膜环境、构象变化和有限的胞外可结合区域，使针对这类靶点设计结合分子颇具难度。

此次评估涵盖 CCR7、CCR8、EP2、GPR68、NK3R 和 A2AR 六个 GPCR 靶点，六个项目全部获得实验确认的结合分子。

其中，两组结果尤其醒目：针对 NK3R 测试的 30 个候选全部命中，命中率 100%；针对 GPR68 测试的 11 个候选有 10 个命中。两者合计 41 个候选、40 个命中。GPR68 项目的最佳表观结合亲和力 KD 达到 12.1 nM。

这不是简单地把 “命中” 数字刷高。对复杂膜蛋白靶点而言，在极少实验候选中找到结合分子，本身就提高了从头设计路线的可信度。

报告还指出，在 Thera-SAbDab 指定版本数据库中未检索到已编目治疗性抗体先例的五个 GPCR 靶点上，89 个受测候选获得 53 个结合分子，候选命中率为 59.6%。

从 100% 的候选命中率，到在缺乏已知治疗性抗体先例的复杂靶点上成功发现结合分子，MMDesign 的突破不仅体现为单个分子的优异表现，更体现为其在高难度膜蛋白靶点上的广泛适用性，为 GPCR 等复杂靶点的抗体发现提供了新的技术路径，也进一步验证了 AI 从头设计在传统研发难点中的应用潜力。

从一次命中到广泛成功：可复用才是产业级平台的关键

对药企来说，一项 AI 技术能在某个靶点上取得突破固然重要，但长期合作更看重两件事：一是面对同一研发问题，能不能通过多轮迭代持续优化设计；二是面对不同的研发任务，平台能否重复应用。

在本次评估中，MMDesign 对六个此前已有设计成果的靶点进行新一轮设计，其中五个项目实现了命中率、最佳亲和力或两者的进一步提升。

例如 PDGFR 项目，候选命中率由 4.0% 提高至 21.1%，是之前的5.2倍；最佳KD37 nM，较上一轮150nM实现了4 倍提升。这意味着平台并非只能依赖 “一轮定输赢”，也能够在同一研发问题上继续探索更优分子。

平台能力的适用范围还延伸到不同分子模态。除纳米抗体外，报告中的两项大环肽从头设计均获得结合分子：MDM2 项目 21 个候选中 16 个命中，PD-L1 项目 28 个候选中 11 个命中，最佳报告 KD 分别为 13.7 μM 和 40.2 μM，表明相关设计及验证工作流已扩展到与 VHH 性质明显不同的分子类型。

从不同靶点上的广泛命中，到同一靶点新一轮设计中的表现提升，再到大环肽模态的拓展，MMDesign 展示的不再只是单次设计能力，而是面对不同研发任务时的适应性与持续优化潜力。对需要长期推进多个项目的药企而言，这种可复用能力，正是 AI 从头设计平台走向实际研发应用的重要基础。

不只要结合：MMDesign 的分子质量与模型优势

药物发现并不止于 “能不能结合”。一个有价值的早期命中分子，还要接受药物开发前的 “体检”—— 考察能否稳定表达、是否容易聚集、会不会误结合无关蛋白等可开发性问题。

根据报告，许多 MMDesign 设计的 VHH-Fc 候选分子能在 CHO 细胞中稳定表达，纯化后的分子能保持单体状态，聚集迹象较少，并在针对胰岛素和双链 DNA 的替代性检测中呈现较低非特异性反应。

这是积极的初步可开发性信号，意味着平台在追求结合活性的同时，进一步兼顾了分子进入后续药物开发所需的关键性质。

在序列新颖性方面，报告强调从头设计并非直接检索现有抗体序列、或以已知结合分子为起点进行局部突变；与 PDB、OAS 和 SAbDab 等数据库的对比显示了部分设计序列与识别区域的新颖性。这有望使从头设计的突出价值真正落地 —— 根据需求设计出新颖分子，拓展候选空间，并为差异化知识产权布局带来可能。

底层模型能力决定着 AI 从头设计效果，支撑 MMDesign 高效精准设计的，是分子之心自研的结构预测模型 MMFold，同样展现出突出的性能。

在 FoldBench 全部 172 个抗体 — 抗原界面的评估中，报告给出的 MMFold Top-1 预测总体成功率为 70.9%，高质量预测成功率为 39.0%，约为 AlphaFold 3 的 2 倍；在 160 个共同界面子集上，MMFold Top-1 高质量预测成功率为 39.4%，高于此前 OpenDDE 公布的 33.0% 与 Protenix-v2 公布的 28.2%。

FoldBench 全部 172 个抗体 — 抗原界面结构预测结果

FoldBench 的 160 个共同界面子集结构预测结果

对于从头设计流程而言，结构预测的意义并不是 “打榜排名”，而是为候选分子的评估与优选提供关键计算依据。结构预测看得更准，分子设计才能在庞大的计算空间中更精准地锁定候选。

从 “海量筛分子” 到 “精准设计分子”： 报告背后的范式升级

把这份报告放进 AI 制药的产业语境，更能看出它的分量。从 19 个项目中 18 个成功，到六个 GPCR 靶点全部命中，再到跨轮次设计成果的进一步跃升与大环肽模态的拓展，MMDesign 最新报告展现的已经不只是 AI 能否生成一个结合分子，而是一套逐步走向可重复应用的分子发现工作流。

这也使分子之心的技术布局呈现出更清晰的整体逻辑：NewOrigin 提供底层大模型，MMDesign 承担从头生成与候选优选，MMFold 专注结构预测，QuantaMind 进行动态模拟，MoleculeOS 则尝试将不同模型工具与研发任务组织到统一流程中。最终价值并不是增加多少个算法模块，而是能否让研发人员围绕明确目标，更快得到少量值得实验检验的候选，并不断迭代。

对 AI 生物药研发而言，真正值得期待的变化，或许正发生在这里。

当计算设计能够把原本庞大的探索空间压缩为有限、可验证的实验集合，早期发现就有机会从依赖海量筛选，进一步转向 “明确需求 — 精准设计 — 少量验证 — 持续优化” 的新范式。

分子之心这份报告展示的跨靶点设计成果、低通量命中效率与底层模型能力，为这一方向提供了新的实证支持。从这个意义上说，MMDesign 的进展不只是一次技术成绩更新，更是 AI 从头设计走向产业级研发工具的重要一步。

资料来源：分子之心 MMDesign 最新技术报告（https://zenodo.org/records/23321531）。