分子之心MMDesign技术报告：19个项目命中18个，成功率达94.7%

让AI批量生成蛋白质序列，早已算不上AI生物药研发最值得夸耀的本事。更难回答的是另一件事：最终送进实验室的分子能不能足够少，命中的机会又能不能足够高？

实验规模同样被压得很低。每个项目只测试9—50个候选分子，中位数为21个。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，团队又做了一轮新设计，其中五个项目的结果优于前一轮。

这组数据说明的重点，并非AI又“设计出了分子”。从头设计正在走出个别靶点的示范阶段，转向少量实验验证、跨靶点、跨模态的可重复研发工作流。

每个项目只测几十个：AI设计开始压缩实验筛选的规模

抗体发现长期靠的是动物免疫和大规模文库筛选，从海量候选里捞取具备结合能力的分子。

AI从头设计的思路是把起点往前挪：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。真正的突破口在于，能否从中精准挑出有结合潜力、值得进入实验验证的候选分子。

MMDesign走的流程是“生成—计算优选—实验验证”。先在计算空间里探索大量序列，再按结构可靠性、序列特征及物理评估等标准层层收窄，把每个项目的候选数量压到9—50个。打个比方，AI先在计算机里完成一轮分子“海选”，再把选出来的选手送进实验室“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个受测候选里有139个获得确认结合，合并候选命中率约30.7%。此外，15个项目至少得到两个结合分子，后续筛选优化因此留有余地。

验证结果汇总

两个指标各有侧重，但都关键：94.7% 看的是一个项目能否找到至少一个结合分子，30.7% 看的是受测候选里有多少真正命中。合在一起说明，MMDesign 并非只在计算端把生成规模做大，它还想把实验室需要验证的范围压到几十个分子，并且让成功结合的分子能进入后续研发流程。

落到制药研发上，好处很直接：计算端若能更早筛掉大量低价值候选，实验资源就能更多投给有希望的设计。六个 GPCR 全部命中，把难靶点能力摆到台前。

94.7% 的项目成功率体现的是效率，GPCR 系列结果则更能说明从头设计的技术实力。GPCR 是重要的药物靶点家族，膜环境、构象变化加上有限的胞外可结合区域，让针对这类靶点设计结合分子变得相当困难。此次评估覆盖 CCR7、CCR8、EP2、GPR68、NK3R 和 A2AR 六个 GPCR 靶点，六个项目全部拿到实验确认的结合分子。

有两组结果尤其突出：NK3R 测试的 30 个候选全部命中，命中率 100%；GPR68 测试的 11 个候选命中 10 个。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 为 12.1 nM。

这不只是把“命中”数字刷高。对复杂膜蛋白靶点来说，能在极少的实验候选里找到结合分子，本身就让从头设计这条路更可信。

报告还提到，在 Thera-SAbDab 指定版本数据库中查不到已编目治疗性抗体先例的五个 GPCR 靶点上，89 个受测候选拿到 53 个结合分子，候选命中率 59.6%。

从 100% 的候选命中率，到在缺少已知治疗性抗体先例的复杂靶点上成功发现结合分子，MMDesign 的突破不只在单个分子表现优异，更在于它对高难度膜蛋白靶点有较广的适用性，为 GPCR 等复杂靶点的抗体发现开出新的技术路径，也让 AI 从头设计在传统研发难点中的应用潜力得到进一步验证。

从一次命中到广泛成功，可复用才是产业级平台的关键。药企看一项 AI 技术，某个靶点取得突破固然重要，但长期合作更在意两件事：面对同一个研发问题，能不能通过多轮迭代持续优化设计；面对不同的研发任务，平台能不能重复用起来。

本次评估中，MMDesign 对六个此前已有设计成果的靶点做了新一轮设计，其中五个项目在命中率、最佳亲和力或这两者上都有进一步提升。

以 PDGFR 项目为例，候选命中率从 4.0% 升到 21.1%，为原来的5.2倍；最佳KD37 nM，相比上一轮的150nM提升4倍。换句话说，平台并非只能“一轮定输赢”，同一个研发问题上它可以继续往下找更优分子。

平台能力的适用范围也延伸到了不同分子模态。除纳米抗体外，报告里两项大环肽从头设计都拿到了结合分子：MDM2 项目 21 个候选中有 16 个命中，PD-L1 项目 28 个候选中有 11 个命中，最佳报告 KD 分别是 13.7 μM 和 40.2 μM。这说明相关设计与验证工作流已经扩展到性质与 VHH 明显不同的分子类型。

不同靶点上广泛命中，同一靶点新一轮设计表现提升，大环肽模态也能拓展——MMDesign 拿出的已不只是单次设计能力，还有面对不同研发任务时的适应性和持续优化潜力。对需要长期推进多个项目的药企来说，这种可复用的能力，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，还要过一遍药物开发前的“体检”——看它能否稳定表达、是否容易聚集、会不会误结合无关蛋白，这些都是可开发性问题。

报告显示，MMDesign 设计的许多 VHH-Fc 候选分子能在 CHO 细胞中稳定表达，纯化后保持单体状态，聚集迹象较少；针对胰岛素和双链 DNA 的替代性检测中，非特异性反应也处于较低水平。

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

序列新颖性方面，报告强调从头设计并不是直接检索现有抗体序列，也不是拿已知结合分子做起点进行局部突变；与 PDB、OAS 和 SAbDab 等数据库对比后，部分设计序列与识别区域显示出新颖性。这有望让从头设计的突出价值真正落地——按需求设计出新颖分子，拓展候选空间，也给差异化知识产权布局带来可能。

底层模型能力决定着 AI 从头设计的效果。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，它同样表现出突出的性能。

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 39.0%，约为 AlphaFold 3 的 2 倍；160 个共同界面子集上，MMFold Top-1 高质量预测成功率 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如下。

结构预测在从头设计流程里并非用来“打榜排名”，它的作用是为候选分子的评估与优选提供关键计算依据。只有结构预测看得更准，分子设计才可能在庞大的计算空间里更精准地锁定候选。从“海量筛分子”到“精准设计分子”，这份报告背后对应的是一次范式升级。

把这份报告放到 AI 制药的产业语境里，它的分量会更清楚。19 个项目中 18 个成功，六个 GPCR 靶点全部命中，跨轮次设计成果进一步提升，大环肽模态也有所拓展。MMDesign 最新报告呈现的不再只是 AI 能不能生成一个结合分子，而是一套正在走向可重复应用的分子发现工作流。

分子之心的技术布局由此显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 则尝试把不同模型工具与研发任务组织到统一流程中。说到底，最终价值不在于多出多少个算法模块，而在于研发人员能否围绕明确目标，更快拿到少量值得实验检验的候选，并不断迭代。

对 AI 生物药研发来说，真正值得期待的变化或许正发生在这里。当计算设计能把原本庞大的探索空间压缩成有限、可验证的实验集合，早期发现就有机会不再依赖海量筛选，转而走向“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。就此而言，MMDesign 的进展不只是技术成绩的一次更新，它还是 AI 从头设计迈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）。