远见网一、在多肽与RNA等多数评测项
1、在多肽与RNA等多数评测项
在AI制药这条赛道上，很少有公司敢在成立四个月的时候就交作业。
这家今年才在深圳南山落地的公司，刚刚首次发布了自研的通用生物分子基础模型Melo-1 Preview。
在蛋白 – 多肽、蛋白 – 小分子等复杂分子结构预测任务上，Melo-1在多个公开Benchmark中刷新了SOTA指标；
在多肽、小分子、抗原抗体、RNA等多数评测项上，成绩已经超过AlphaFold3。
Melo-1 preview版本在Protein-peptide和Protein-ligand场景上绝对领先
2、多肽也因此成为整个制药行业最受关注
过去两年，以GLP-1为代表的多肽药物几乎凭一己之力重新点燃了全球代谢药物市场，多肽也因此成为整个制药行业最受关注的赛道之一。
但从计算的角度看，肽恰恰是最具挑战的一类分子。
它处在小分子和蛋白质之间的 “中间尺度”：一方面具有小分子所没有的序列和化学多样性，另一方面又具有显著的构象柔性。
很多典型小分子的构象自由度相对有限，而折叠好的蛋白质通常能够形成相对稳定的三维结构；
相比之下，一段短肽，尤其是环肽，在溶液中往往并不存在唯一的静态构象，而是由多个低能构象组成一个动态的构象系综，并在不同构象之间持续转换。
二、而是要理解一个分子可能存在的整个构象空间
这也意味着，环肽的计算设计不能简单理解为 “找到一个正确的三维结构”，而是要理解一个分子可能存在的整个构象空间，以及这些构象如何与靶点结合，并进一步影响稳定性、通透性和药代动力学等成药性质。
这正是当前主流模型的失效区。
以AlphaFold3为代表的全原子模型，在常规单体蛋白和普通蛋白 – 蛋白复合物上已经相当成熟，但一旦换成高自由度的多肽复合物，精度不足、泛化性差的问题立刻暴露。
Melo-1切的就是这一刀：对蛋白 – 肽复合物的三维结构及原子级相互作用做精准建模。
一个多肽能不能精准结合靶点，本质上取决于它在三维空间中的原子级相互作用 ——结合界面的形状是否互补、氢键网络是否合理、疏水作用是否匹配，以及多种非共价相互作用能否协同形成稳定的结合。
这些相互作用最终都发生在原子尺度，而序列本身无法直接显式描述这些复杂的三维空间关系。
用深旋科技创始人张肖男（ Mandy）的话说，设计目标正在从“生成一条合理的蛋白质序列”，进一步转向“设计一个能够在靶点表面形成正确原子级相互作用的功能分子”。
所以，Melo -1的价值不只是把某一个结构预测指标再往上推几个点，更重要的是，它为AI进一步进入大分子药物设计提供了一层关键的结构基础设施。
1、上层的生成与优化就很难形成有效闭环
结构基础不够可靠，上层的生成、筛选和优化就很难真正形成有效闭环。
地基不牢，上面所有的生成、筛选和优化，都可能只是空中楼阁。
除了精度，这次还有一个不太被外界讨论、在真实项目里却极其要命的指标：结构的合法性（ Validity ）。
现在有些模型在公开评测集上分数很漂亮，但把生成的结构真正拿出来检查，会发现原子之间存在不合理的空间冲突，甚至出现明显偏离物理化学规律的键长和键角。
这样的结构即使在榜单上能够取得高分，也未必对应真实世界中合理、可实现的分子结构。
拿这样的结果直接进入湿实验，很可能就是白跑一趟 ——合成成本、实验时间和人力投入最终都会被浪费，而药物研发最昂贵、也最难规模化的环节之一，恰恰就是湿实验验证。
因此，Melo-1在算法架构设计之初，就将更严格的物理与化学约束纳入模型设计，使模型不仅关注预测或生成结构的评分，也关注结构本身是否满足基本的几何与物理化学合理性。
PDB ID 8v3s上Melo-1展现出良好的合法性能力
还有一个容易被忽略、却直接决定长期竞争的细节：通过极致的工程优化，Melo-1在同等参数条件下性能更优。
三、深旋要花的训练成本更低
1、深旋要花的训练成本更低
这意味着达到同样效果，深旋要花的训练成本更低。
在一个迭代速度按月计算的领域里，单位算力能换来多少性能，直接决定了一家公司能跑多少轮、能试多少条路。
核酸和抗体场景Melo-1 preview版本提升显著，模型潜力凸显
答案在团队。
据深旋科技介绍，核心成员曾凭借底层AI技术攻克10余个GPCR （ G蛋白偶联受体）等世界级高难度靶点，并拿到过高活性多肽分子的湿实验真实验证。
GPCR是当今药物最重要的靶点家族之一，也是出了名的难做。
能在这个家族上啃下十几个靶点，交付了高亲和力分子且具备高成功率结果，是实打实的产业战绩。
为了更深入了解深旋科技，我们找到了深旋的创始人张肖男并且和她聊了聊。
话题从全原子模型和序列模型的路线之争开始，一路谈到抗体与环肽各自卡在哪里、非天然氨基酸为什么至今是个难题、AI到底能不能替代传统药物研发流程，最后落在一个挺意外的答案上 —— 她说，深旋的长期竞争力是无知者无畏。
Q：全原子结构模型（比如AlphaFold3 ）和蛋白序列模型（比如ESM ），差别在哪？
以ESM为代表的蛋白质语言模型，主要从海量天然蛋白序列中学习序列的统计规律和语言表征。
它们在序列表征、突变效应预测、序列生成这些任务上有显著优势。
但药物分子的功能，最终建立在原子尺度的三维相互作用之上 —— 氢键、盐桥、疏水作用、π-π 相互作用、范德华力、形状互补等，这些复杂的空间关系无法仅靠序列本身直接、显式地描述。
张肖男：不一定。更准确地说，做药不是所有问题都必须走全原子，但如果AI要真正参与大分子药物的设计，全原子是很难绕开的。
2、序列模型已经能够做得非常好
过去我们更多是在序列层面做设计，比如生成一条 “看起来合理”的蛋白质序列，或者预测一个突变会不会影响蛋白质的性质。
这些任务，序列模型已经能够做得非常好。
但到了真正的药物设计阶段，问题会变成：这个分子到底能不能以正确的方式和靶点结合？
这时候决定成败的，往往不是序列本身，而是原子在三维空间里怎么排列、怎么接触。
一个氢键差几埃、一个侧链的朝向发生变化、一个疏水口袋有没有被正确填充，都可能让一个候选分子从 “能结合”变成“完全不能结合”。
所以我们认为，序列模型解决的是 “分子是什么”，而全原子模型进一步解决“分子为什么能发挥作用”。
所以，全原子不是终点，而更像是AI从“理解分子”走向“设计分子”的一层底座。
张肖男：不能这么说。结构预测做得好，是药物设计的重要基础，但它本身并不等于药物设计。
真正的药物设计，问题恰恰反过来了 —— 我们不是只想知道一个分子长什么样，而是希望从目标出发，反过来设计一个满足特定功能和性质的分子。
这中间还隔着很多环节：分子生成、结构预测、结合能力和选择性评估、可开发性评估，以及最关键的实验验证。
实验结果回来以后，还要把这些信息重新反馈给模型，继续生成和优化。
所以我们真正想构建的，不是一个单纯的结构预测模型，而是一个 “生成 → 结构预测 → 性质评估 → 实验验证 → 再生成”不断迭代的闭环系统。
结构预测模型的精度和泛化能力，决定了这套系统能够看到多清楚、判断多准确，是非常重要的底层能力；但它只是基础，而不是终点。
张肖男：全原子基础模型在抗体结构预测上已经取得了长足进步，但从 “预测结构”到“设计可成药抗体”之间，依然存在明显的断层。
因为抗体设计不是一个单一目标优化的问题，而是一个典型的多目标设计问题。
四、即使模型能够准确预测出某一个环肽构象
1、你要找到正确的表位（ epitope
首先，你要找到正确的表位（ epitope），决定抗体到底应该攻击靶点的哪个位置；
然后要让CDR，尤其是高度可变的CDR3，形成合适的构象，并以正确的结合模式识别靶点。
在此基础上，还要同时优化亲和力、选择性和功能。
所以抗体设计真正要解决的，不是 “能不能设计出一个能结合靶点的抗体”，而是能不能同时满足一系列相互耦合的结构、功能和成药性约束。
这也是为什么我们认为，从结构预测走向真正的抗体设计，中间还需要一个完整的生成 —评估—实验验证—反馈优化体系。
环肽不是一个 “缩小版的蛋白质”。它的分子空间，不仅由序列决定，还同时受到环化拓扑、立体化学、非天然氨基酸以及各种化学修饰的影响。
更关键的是，很多小环肽在溶液中并不存在唯一的静态构象，而是处于一个不断动态变化的构象系综（ conformational ensemble）之中。
而不同构象，可能对应完全不同的生物学行为：它会影响环肽如何与靶点结合，也会进一步影响稳定性、通透性以及药代动力学（ PK）。
所以，即使模型能够准确预测出某一个环肽构象，也不意味着我们就完整理解了这个分子。
真正需要理解的，是它在真实环境中可能存在的一组构象，以及这些构象之间的动态平衡。
当序列、化学组成、环化拓扑和构象自由度同时展开之后，我们面对的就不再只是传统意义上的 “20种天然氨基酸组成什么序列”，而是一个高度复杂的多维分子空间。
如何让AI在这样巨大的序列、化学、拓扑和构象空间中主动，并最终生成真正具有结合能力、功能和成药价值的环肽，是目前非常有挑战、但也非常值得突破的问题。
张肖男：抗体的瓶颈，更接近于 ” 从正确结构走向可开发分子 “；环肽的挑战，则延伸到了 ” 如何让AI理解并驾驭复杂的非天然化学与构象空间 “。
Q：外界常说AlphaFold3不支持非天然氨基酸，这个说法准确吗？
平心而论，AF3-like模型已经可以通过修饰残基、化学组分（CCD）、SMILES、共价键等方式，对相当一部分非天然化学实体进行表示和建模。
所以，简单地说 “AlphaFold3不支持非天然氨基酸”，是
