顾全全团队发布NovaAtom-Lite,要把药物研发压到4年
新智元报道 最近,Anthropic的CEO Dario Amodei 说了一句话:AI将在10年内,把人类在生物学上50到100年的进展压缩完成——癌症、阿尔茨海默症、心脏病,统统有望攻克。这话说得够狠,但很多人觉得,也就听听。直到一个叫顾全全的科学家站出来说:10年太慢了,我们要把药物研发周期压缩到4年!11月10
新智元报道
新智元报道
Anthropic 的 CEO Dario Amodei 最近说过一句话:AI 会在 10 年内,把人类在生物学上原本要花 50 到 100 年才能取得的进展一口气走完。照他的说法,癌症、阿尔茨海默症、心脏病都有望被攻克。
话说得够狠。不过不少人听完只是听听而已。
直到科学家顾全全站出来表态:10 年太慢了,药物研发周期要压缩到 4 年。11月10日,他创立才 5 个月的公司拿出了全原子结构预测模型 NovaAtom-Lite。
这个模型在全球最严苛的生物分子预测基准测试中,以及一系列生物制药基准测试里都跑到前列,拿下多项 TOP 1。
Model card 链接:https://www.geodesiclab.com/news/introducing-novaatom-lite
15个人、几百张GPU、5个月——顾全全的创业公司拿出的就是这样的配置。对手那边,累计融资27亿美元,新一轮正在以400亿到500亿美元估值谈。消息放上X,评论区一下就热闹起来。
有人感叹:「Dario Amodei 预测癌症10年内攻克,而 NovaAtom 的创始人说只要4年。」
也有人算起了账:「谷歌 DeepMind 剥离出 Isomorphic,烧了几十亿美金,估值谈到400亿以上。结果一个UCLA教授带着15个人的创业公司,5个月就超了。」顾全全干这种事,其实已经不是头一回。早前在字节跳动带队时,他就做出过 世界上第一个在 。
正是
顾全全在 X 上还透露了一点:NovaAtom-Lite 只是开胃菜,后面还有更大更强的 NovaAtom-Pro 等着上桌。换句话说,Isomorphic Labs 就算近期再甩出更强的模型想扳回一城,等在那儿的很可能是 NovaAtom-Pro 的再一次击穿。
结构预测这把王座,顾全全已经连赢两局,第三局的底牌还捏在他手里。
人类攻克绝症的时间表,就此又往前挪了一截。
有投资人感叹,生物界已经等来了属于自己的「HBM爆发时刻」。
药为什么这么难做?
说到底,药物要起效,靠的是一个分子精准地「咬住」另一个分子。
抗体得咬住抗原,小分子药物则要嵌进蛋白质的口袋里。
这种「咬合」发生在原子尺度,也就是埃(Å)级别,一埃等于一百亿分之一米。
位置稍有偏差,药就失效。
过去只能靠湿实验一次次试。平均一款新药从实验室走到上市要13年,烧掉近20亿美元,成功率不到5%。AI 的作用在于把这些「咬合」先放到计算机里模拟,把试错的周期大幅压短。
NovaAtom-Lite 做的正是这件事——
只要输入蛋白质、DNA、RNA的序列以及小分子配体的信息,它就能预测出整个复合物中每一个
给出的不是模糊轮廓,而是精确到原子级别的位置。
它并非一台只会照章办事的“死板”计算器。
NovaAtom-Lite 还配了一套很有工程实用价值的机制:你可以把“此处有一个共价键”“那边存在一个已知的结合口袋”这类信息告诉它。模型收到这些线索后会当作参考,而非当成硬性约束,像一颗懂化学物理法则的“AI大脑”,灵活地给出预测。
它给出的结果不限于一组坐标。模型会一并返回局部结构的置信度。
在制药界,衡量一个结构预测模型强不强,有两块最核心的试金石:抗体-抗原结合预测、蛋白质-配体结合预测。前者是大分子药物(比如抗癌抗体)的关键所在,得弄清楚抗体如何精准“锁住”靶点;后者关乎小分子靶向药的成败,药物分子必须准确塞进蛋白质的结合口袋。
两个方向,难度层层加码。
FoldBench 眼下被公认为最严格的全原子生物分子预测基准,共含1522个复合物结构,数据全部取自模型训练截止日期之后的新结构,“提前看答案”这条路被彻底堵死。
先看抗体-抗原这一项。FoldBench 收录了172个抗体-抗原结合界面,评判标准用的是
这家公司成立才5个月,体量还很小,[[保留1]]
把门槛提到 DockQ ≥ 0.80、也就是要求极高精度预测时,差距更明显:NovaAtom-Lite 的成功率能做到 AlphaFold 3 的2.2倍。[[保留2]]
再看蛋白质-配体这一项。558个结合界面被纳入测试,判定条件更严:小分子药物的预测位置与真实位置偏差要小于2埃([[保留3]] [[保留4]]
两项核心指标上,它都拿到TOP 1。[[保留5]]
只要模型刷了榜,圈内人第一反应往往是:是不是偷看答案了?[[保留7]]
这种怀疑站得住脚。结构预测模型训练时用的就是已知的蛋白质结构库,模型若只记住了见过的东西,跑分再漂亮也白搭——药物研发前线要面对的,全是没见过的新分子。[[保留8]]
业内有个专治「死记硬背」的硬核测试,叫 Runs N' Poses。它按与训练集的相似度把样本分成8组,从「长得像」一路排到「完全陌生」,逐层检验模型的真实水平。[[保留9]]
相似度最低的0-20%组里,有63个与训练集「毫无关系」的配体,相当于考试中完全超纲的题,各模型成绩如下:[[保留10]]
AlphaFold 3 掉到24%,NovaAtom-Lite 仍有47.6%,接近前者的两倍。[[保留11]]
到了相似度最高的80-100%组,两者的差距反而收窄,为91.0% vs 88.2%。[[保留12]] [[保留13]]
换句话说,碰上的分子越陌生,NovaAtom-Lite 反而越能拉开差距。
它靠的不是硬背答案,而是摸透了微观原子世界里的物理规律,手里握着一套能搬到别处用的「推理引擎」。
搞 AI 的人都熟悉一个趋势,叫 Test-time Scaling——在推理阶段多给模型算力,答案质量就会更好。
大语言模型那边早就把这件事验证过了,NovaAtom-Lite 则说明,同样的规律在生物分子预测上也站得住。
围绕同一批172个抗体-抗原界面,团队设计了一组很巧的实验:
1个随机种子(算力最少):成功率 74.3% 5个随机种子:79.07% 25个随机种子:81.7% 100个随机种子(深度推理):83.1% Oracle 上限(事后拿实验答案挑出最优解):88.4%
从74.3%到83.1%,只是把采样数量加上去,成功率就涨了将近9个百分点。
这说明系统有很强的「弹性」。
创业公司钱不多,拿少量算力快速试错,照样能拿到不错的结果。换成医药巨头,一款靶向药背后是百亿市场和无数患者的命,那就把算力开满、把每一点精度都榨出来——模型的上限还远没到头。
这种可扩展性相当让人兴奋。
光靠自己埋头算,显然不够。[[保留1]]
真实药物研发中,科学家手里常常已经握着一些线索——抗体和抗原大致在哪儿接触,小分子大概卡在蛋白质哪个口袋里。[[保留2]]
模型能不能「听懂」这些提示、并且把它们用起来,就成了关键问题。[[保留3]]
NovaAtom-Lite 给出的回答是:不光听得懂,效果还很猛。[[保留4]]
在 FoldBench 的172个抗体-抗原界面上,不给任何提示,成功率是79.07%;只喂它一对接触残基(等于告诉它这两个残基挨得很近),成功率就冲到 91.28%,高出12个百分点。[[保留5]]
换到更大的抗体-抗原测试集 PXM-22to25-AB(383个聚类)上,涨幅更夸张:66.05%直接拉到 88.82%,涨了将近23个百分点。[[保留6]]
蛋白质-配体方向更有看头。[[保留8]]
团队在 Runs N' Poses 上试了四种设置:无约束、一个接触对、四个口袋残基、完整口袋,一层层加码。[[保留9]]
对最难的那批样本,提示的用处最大。在与训练集相似度最低的0-20%区间,给出完整口袋提示,成功率从47.6%升到 63.5%,涨了近16个百分点;到了60%以上的高相似度区间,提升只有2到5个百分点。[[保留10]]
说白了,题越「超纲」,模型越能顺着你给的线索「悟」出东西。科学家的经验不会白费,你知道得越多,它算得越准。[[保留12]]
数字再好看,做药的人最后盯的还是同一件事:真实世界里那些最棘手的结构难题,你到底能不能啃下来?
案例一:把疯狂甩动的「分子套索」拍成高清定格照
中东呼吸综合征(MERS)病毒相当凶残。科学家挑了一种纳米抗体 VHH-T148 来对付它,这条抗体的核心武器,是一段由22个氨基酸组成的结构。
可以把它想成一条在三维空间里拼命甩动的「软鞭」。灵活到极点,又缺少进化上的共变信号,想预测它非常难。
结构预测圈子里,这是公认的噩梦级难题。
但 NovaAtom-Lite 给出了25个候选方案,全部命中。DockQ 为0.839,CDR-H3 的预测误差只有 0.56 Å,18个表位残基一个不落,全被覆盖。
0.56 Å差不多相当于一个碳原子直径的三分之一,称得上「分子级单反相机」的定格拍摄。
案例二:让「锁着门」的癌症靶点自己打开暗门
KRAS 在医药界是出了名难啃的癌症靶点。
这个靶点表面没有明显凹陷,药物分子很难找到着力点。
有一类抑制剂能钻进 KRAS 上的一个「隐藏口袋」(
换句话说,AI 除了要判断药物小分子该摆在哪里,还得推断出蛋白质构象会怎么变——那扇门究竟是怎么被推开的。
在结构编号 8UN5、KRAS G13D 突变体这个案例里,OpenDDE 直接失了准头,配体 RMSD 达到 17.74 Å,药物等于被放到了极远的位置。
换成 NovaAtom-Lite,配体 RMSD 只有 0.98 Å。
25个样本全部跑下来,switch-II 区域的预测结果与晶体结构相差仅 0.4 到 0.6 Å,12个天然极性接触也一个不落被还原出来,配体原子与蛋白质之间没有出现任何空间冲突。
精度做到了分子尺度的精雕细刻。
NovaAtom-Lite 亮相才过三天,硅谷头部风投 a16z 就甩出一份研报,题为《大型制药企业,即将与大型软件分庭抗礼》(Big Pharma Can Rival Big Software)。报告里有几个判断,值得逐条琢磨:
头一条,AI 制药算是真正踩到了「GPT-3 时刻」。a16z 的原话是:我们认为当前 Bio × AI 的市场成熟度已接近 GPT-3 水平。当年 GPT-3 把通用 AI 从「能用」推到了「好用」,是个转折点。a16z 的判断是,生物模型身上正在冒出类似的能力。
第二条,药企往后要按「科技股」来定价了。过去给传统药企估值,无非是对现有药物组合做现金流折现,背后那套研发引擎,资本基本不认。可一旦 AI 把药物发现做得「高度可重复、可预测」,投资者就肯为药企的 AI 基础设施掏钱——跟给 SaaS 公司平台付费是一个道理。
说到底,这是估值逻辑被重新洗了一遍。第三条,11月10日才发布的 NovaAtom-Lite,已经被 a16z 收进这份研报。
模型上线仅三天,就被顶级资本写进行业报告,这个反应速度本身就能说明不少事。它是真被看见了。
还有一处更耐人寻味:a16z 报告那张产业版图插图里,被点名提到的公司只有 Geodesic Intelligence 一家。
a16z 把 AI 制药初创划成了两个阵营。一边是 Isomorphic Labs、Recursion 这类亲自下场做药的公司,被称作「垂直整合者」,风险高,赌的是万亿美金级别的上限;另一边是卖模型、工具和平台的「卖铲人」,实验室自动化、AI 智能体、分子设计引擎都算在内。
Geodesic 被放到了后一类里最靠前的位置,靠的是 Geodesic API 和[[保留2]]。至于它会不会自己也去做药,目前没有答案。不过从模型表现出的竞争力看,它有机会把边界从模型和工具供应商往药物研发本身推。
a16z 的判断并非空谈,产业端的数据已经在验证。GenScript(金斯瑞)的 AI 制药业务连续三个半年翻倍增长,Twist Bioscience 的 AI 药物发现订单涨幅达到三位数。
大药企也在抢着签约。仅 Isomorphic Labs 一家,诺华和礼来的合作协议加在一起就接近 30 亿美元;Anthropic 自己建了湿实验室,OpenAI 则直接收购了生物科技公司。
行业的底层规则正被改写:AI 不再只是制药的辅助工具,它正在变成制药的基础设施。
说回 Geodesic Intelligence。顾全全是 UCLA 计算机科学系教授,在[[保留11]]
目标是构建 AGI,找到从生物学到药物的最短路径。
才过了 5 个月,他就带着一支 15 人的精锐队伍拿出了第一份成果。
官方说得很清楚,NovaAtom-Lite 只是 NovaAtom 模型家族的头一个成员,后面还有更大、更强的模型在推进。Geodesic 的整体构想分为三块、彼此咬合:NovaAtom 管结构预测,NovaDDE 负责科学推理和药物发现工作台,
从抛出生物学问题,到计算分析分子结构,再到实验验证候选物,整条链路一次跑通。
a16z 在报告末尾那句话,放到这里很贴切:更快、更低成本地研发药物,将是 AI 最具深远影响力的应用方向。
药物研发的时间加速器,真来了。