生物科技 · global
OpenDDE預印本釋出開源全原子模型,藥物AI走向可檢驗的結構底座
Aureka AI把共摺疊模型的程式碼、權重與評測流程一併公開,讓藥物探索中的分子結構推理不再只停留在封閉系統;但這仍是早期預印本成果,距離真正能篩藥、估親和力或設計療法,還有一段驗證路要走。
藥物研發裡最昂貴的錯誤之一,是在分子還沒進入實驗室前,就誤判了它會如何貼近、干擾或穩定一個生物靶點。Aureka AI在arXiv發表的OpenDDE預印本,瞄準的正是這個早期決策環節:用一個開源的全原子生物分子基礎模型,協助推測蛋白、抗體、核酸與其他分子在複合體中的三維關係。
OpenDDE的全名是Open Drug Discovery Engine。研究團隊把它定位為以「共摺疊」為核心的結構推理層,也就是不只預測單一蛋白質形狀,而是嘗試同時處理多個分子彼此結合時的構形。論文稱,這套系統目前以複合體結構預測為主,未來才會延伸到新分子設計、親和力估計與以結構為條件的候選藥物最佳化。
這次發布的訊號不只在模型本身,也在開放程度。預印本表示,OpenDDE釋出訓練程式碼、推論流程、模型檢查點與基準測試,並採Apache-2.0授權。對生醫AI而言,這意味著外部研究者有機會重跑流程、檢查資料處理與評測設定,而不只是閱讀封閉模型的結果摘要。
在技術路線上,OpenDDE採用由粗到細的結構生成架構:先建立殘基層級的關係表示,再把它展開成較細的結構token,例如蛋白骨架、側鏈、核酸骨架、鹼基與配體或原子單元,最後由擴散式座標生成器產生全原子位置。團隊也加入介面形狀互補的訓練目標,希望模型不只是把原子放到相近位置,而是更能反映結合表面的方向、間距與局部堆疊。
預印本提出的主要驗證集中在抗體-抗原結構預測。研究團隊稱,OpenDDE在PXMeter-AB、FoldBench-AB與2026ARK-AB等資料集上的DockQ成功率分別達到51.0%、70.0%與66.4%,並在若干比較中高於AlphaFold3、Chai-1、Boltz-1、OpenFold3、Protenix-v1與ESMFold2等模型。這類任務具有實際意義,因為抗體治療的早期設計常要判斷抗體是否以正確姿態貼上抗原表位;但這些數字仍來自團隊在預印本中報告的評測,尚待更多獨立重現。
背景脈絡
近年生物分子AI從單一蛋白質摺疊,逐步轉向複合體、抗體、配體與設計任務。AlphaFold3讓多類分子交互作用的原子層級建模成為焦點,後續開源與商業系統則試圖把結構預測推向藥物發現流程。OpenDDE的差異在於,它把「可取得的開源底座」放在論述中心,回應了封閉高性能模型難以被審核、比較與改造的問題。
限制同樣清楚。論文作者承認,OpenDDE目前主要著力於蛋白-蛋白與抗體-抗原介面,不能直接宣稱已適合小分子配體對接、虛擬篩選或親和力排序;這些任務可能需要更偏化學的資料整理、後訓練與專門評測。團隊也指出,與IsoDDE等封閉系統的比較受限於公開資訊不足,難以判斷差異究竟來自架構、資料、訓練策略或推論工程。
因此,OpenDDE更像是一塊開放的結構基礎設施,而不是已成熟的自動藥物發現機器。它可能降低學術與小型團隊進入高階生物分子建模的門檻,也可能讓不同實驗室用同一套工具檢驗抗體介面、候選結合蛋白或新的設計假說;真正能否縮短藥物研發週期,仍要看後續獨立基準、濕實驗回饋與臨床前決策是否能接上這個模型所提供的結構推理。