Isomorphic Labs：DeepMind 创始人再创业，打造制药界的 TSMC

01.

研究 Thesis

Isomorphic Labs 成立于 2021 年，由 Alphabet 将 DeepMind 生命科学团队拆分出来，旨在用深度学习算法加速药物设计。“Isomorphic” 的寓意是生物系统有着可以被算法映射的共形结构，这体现了他们的核心理念：用计算模拟真实的生物过程，实现药物研发流程的 AI 化改造。我们认为对 Isophormic Labs 的研究有三个核心 thesis：

• 结构生物学的「TSMC 时刻」

AlphaFold 3 将分子结构设计转化为可编程问题，使“分子设计→虚拟筛选→性质优化”的工作模块化、平台化；我们认为 Isomorphic Labs 最有可能实现「AI Foundry」定位，有望成为药物研发领域的计算设计平台。

• AlphaFold 3 将模型表现提升到实验室水平

AlphaFold 3 引入 Diffusion Model，把模型输出的结构效果接近了实验室水平。模型减少了对先验多序列比对 （MSA） 的依赖，同时拓宽了输入分子类型。不仅增强了对蛋白质结构的精准预测，更有机会将能力扩展到预测蛋白质与 DNA、RNA、小分子等复合物的结构与相互作用。

•药厂信任 & 数据正反馈飞轮

礼来、诺华选择以八位数预付款锁定管线合作；和大药厂的合作能在真实项目中不断反馈实验数据，反哺模型精度，形成数据垂直整合壁垒。

在我们看来，Isomorphic Labs 会是验证 AI 驱动药物发现（AIDD）商业闭环最关键的观察点之一。

02.

商业模式

与药企的项目合作

Isomorphic Labs 的商业模式是与大药企共同设立新药项目。在与诺华、礼来的合作中，制药方提供靶点、化合物库和实验资源，Isomorphic Labs 则投入 AlphaFold 3 的结构预测能力、生成式分子设计算法及结构生物学专家团队，双方围绕既定靶标和适应症并行推进 Hit→Lead 研发和实验流程。一位 Sanofi 高管评价道：“如果你已经有了 Hit，他们可以帮助你迅速搭建复合体模型，当前阶段效果令人期待。”

这种项目制合作的优势在于单个合同价值大、里程碑激励明确，并能让 Isomorphic Labs 深度参与候选分子的诞生过程，从而拿到最核心的晶体结构、结合活性和 ADMET 数据，为后续模型训练提供高质量素材。由于合作条款通常约定预付款与里程碑支付，公司在候选进入临床前时即可获得后续收入分享，极大地增强项目黏性。

这类合作项目也有一些风险，首先是需要投入数十位专家和大量算力，短期内难以并行启动很多条管线，使得收入来源高度依赖少数大客户。此外，项目中产生的新分子和实验数据多由药企持有或保密，若合作协议未赋予 Isomorphic Labs 足够的数据使用权，就无法将单一项目的成果累积成可横向复用的通用平台资产，进而限制其服务规模化和模式迭代。

从客户定位来看，Isomorphic Labs 的主要合作方集中在礼来、诺华、Sanofi、J&J 等投研管线规模雄厚、愿意预付大额资金探索 AI 加速的顶级药企。这些客户通常拥有成熟的靶点验证流程，希望通过结构生物学和生成式设计来丰富自身候选库，而非依赖即买即用的通用工具。Isomorphic Labs 在结构预测与分子优化环节提供革命性效率提升，扮演的角色更像“药企的计算加速平台”而非“软件供应商”。

Iso 在 AIDD 工作流中的位置

在行业惯用的定义中，“药物发现”并非单一环节，而是由数个相互衔接的子阶段组成，每一步都对应特定的决策与实验读数，也为 AI 的不同算法提供了切入口。以下内容基于我们对公开资料（如论文、官网博客、合作方披露）和一线从业者访谈的观察。在此基础上，我们结合药物发现的常规流程与实际痛点，对 AlphaFold 3 的具体应用场景做了合理推断，力求还原其在各子环节中的真实价值。

• 靶点发现（Target Discovery）

药厂一般会储备需要攻克的靶点，这一步不刚需 AI 去做前置发现。药物发现的起点是确定适合干预的生物靶点，并证明调节该靶点能影响疾病进程。

•靶点确认与验证（Target Identification & Validation）

这一环节的核心任务是确定某个蛋白或通路是否与疾病病理直接相关并且“可成药”。传统做法依赖组学分析、CRISPR 敲除/敲降及功能性实验，再辅以 X-ray 或冷冻电镜解析蛋白三维结构，往往需要数月才能知道口袋是否存在、是否有足够刚性。AlphaFold 3 在项目伊始就给出亚埃精度的折叠模型和潜在结合口袋坐标，研究团队据此快速评估“热区”及柔性环段可塑性；这一步可提前淘汰约 20–30% 不可成药靶点，并为后续实验节省数周到数月的结构测定时间。

• 生物测定与筛选体系建立（Assay Development & Screening Setup）

目标是在体外构建一个高通量且信噪比稳定的活性读数体系。传统流程往往要反复调整蛋白纯化条件、底物浓度和缓冲体系，才能摸索出合适的动力学窗口。借助 AlphaFold 3 提供的原子级口袋信息，实验人员可以直接在关键残基附近设计荧光探针或 FRET/HTRF 标记，并预估 IC₅₀ 范围来设定底物浓度；在大型药企的实践中，这将体系开发周期平均缩短 30–50%，同时把重复实验次数降到原来的三分之一。

• 初始化合物获取（Hit Generation）

任务是从 5 000–10 000 个甚至上百万化合物中找出能与靶点结合的一小撮 Hit。传统路径要么进行高通量筛选（HTS），一次性湿实验 50 万–200 万个化合物，要么使用对接打分的虚拟筛选，但命中率普遍低于 0.1%。AlphaFold 3 可以一次性预测蛋白-配体复合体，为数万商业库分子生成原子坐标并用模型置信度做第一轮过滤；再由生成式模型在未占据的口袋空腔提出新骨架。结果是在维持同等计算资源的前提下，将需评估的化合物量压缩约 90%，把虚拟命中率提升到 1–5% 的量级，HTS 批量也可砍半甚至更多。

• Hit 确认与可成药性筛查（Hit Confirmation & Triage）

这里要用二级体外测定、SPR/NMR 以及早期 ADMET（ 吸收、分布、代谢、清除和毒性）测试确认 Hit 的真实性和可成药性。传统示范流程常在这一关淘汰 70% 以上假阳性化合物，成本高且周期长。AlphaFold 3 重新计算每个 Hit 的结合构象，预测侧链重排、溶解度和代谢位点，并与实验对接数据比对，可在进湿实验前剔除约三分之一的假阳性；结合 ML-ADMET 先验还能过滤掉近一半的 PAINS 结构，从而把确认周期缩短数周。

• Hit-to-Lead 优化

目标是在几十个优质 Hit 中提升活性、选择性并改善 ADMET。传统 SAR 依赖化学家逐轮合成与测试，每轮往往要 2–4 周。AlphaFold 3 与生成式模型形成“设计-预测-筛选”闭环：算法在多目标约束下自动提出取代基/骨架改造，随后即时验证新分子的结合模式；这使得一次迭代从“周级”压缩到“日级”，迭代轮次通常减少一半，项目记录显示平均能把活性峰值提高 1–2 个数量级。

• Lead 优化与候选药物确立（Lead Optimization → Pre-candidate）

最终留下的 1–3 条化合物系列会被推向体内药效与安全性模型（啮齿动物、大型动物）。传统流程需多轮体内药代、毒理和工艺可行性评估，失败往往发生在花费巨大的后期。AlphaFold 3 持续追踪骨架微调对结合模式的影响，并与 PBPK 与毒性预测模型联用，提前剔除可能引发 hERG 阻滞或 CYP450 抑制的结构；同时在自动 retrosynthesis 平台上同步输出可放大的合成路径。实践中，因毒性或工艺问题导致的后期“翻车”率降低 20% 左右，动物实验批次数量也相应下降。当单一化合物在体内外数据均达到项目门槛，即转入前临床 IND 申报流程。

将上述子阶段贯穿起来，AlphaFold 3 的“高精度复合体预测 + 生成式分子提案 + 实验反馈闭环”可在药物发现全程提供三大价值：

• 第一，提前淘汰不可结合或难以优化的靶点；

• 第二，在 Hit 生成与 Hit-to-Lead 迭代中显著降低无效合成与筛选次数；

• 第三，把 ADMET 风险前置到早期，通过多目标优化减少后期毒性失败

对大型药企而言，这一套流程可把发现阶段的成本削减 30–40%，时间压缩 12–24 个月；对初创公司而言，则意味着更短的里程碑交付周期和更低的资金消耗。

03.

竞争格局

AIDD 工作流视角

滑动查看完整表格

• Isomorphic Labs 与 Xaira 均旨在构建从蛋白结构建模、靶点评估到小分子/蛋白生成的“端到端药物发现平台”。

Isomorphic Labs 的发力点是将 AlphaFold-3 级别的结构预测结果转化为下游小分子建模输入，在此基础上，构建统一的“蛋白+小分子”表示空间，并据此实现逆向分子设计。

Xaira Therapeutics 强调以实验数据监督大模型构建，并覆盖从蛋白目标筛选、结合位点预测，到 binder 生成与优化的一整套流程。其不同于 Isomorphic 的点在于：Xaira 明确提出将 wet-lab、结构建模与分子生成一体化，强化“生成-打分-实验”闭环能力 。

• 主打蛋白序列层面的设计与优化：Cradle Bio、Profluent Bio。

Cradle Bio 采用 SaaS 平台模式，支持客户上传表达/稳定性/活性等多目标实验数据，通过其模型进行多轮蛋白序列优化与结构预测。其能力定位于 Biologics 流程中的 developability 优化，平台可适配高通量构建与实验迭代，已获得多家大药企客户实际使用  。

Profluent Bio 聚焦蛋白语言模型（PLM）训练与序列生成，强调从头构建 “de novo” 功能蛋白。其主要应用方向包括酶、工具蛋白与合成蛋白设计，尚未在主流药物靶标或候选开发中形成系统闭环，当前仍偏研究工具型平台 。

• 聚焦于开发 foundation mdoel，从数据表征切入药物发现：Bioptimus、EvolutionaryScale

Bioptimus 的模型聚焦于蛋白、DNA、RNA 与表型等多模态生物学数据的联合 embedding，旨在构建通用表征层以支持下游任务。专家普遍认为其当前阶段尚未明确对接到真实 drug discovery 流程，但被部分 pharma 视为生物建模工具。

EvolutionaryScale 则尚未公开产品路径，专家普遍仅提及其聚焦于训练大规模蛋白语言模型，其是否用于具体靶点验证或候选生成仍无明确案例。

• Chai Discovery 聚焦于结构预测与蛋白工程环节之间的连接点，强调“模型预测+高通量表达验证”的技术闭环。

其平台主要作用在 Biologics 开发前中段，尤其适用于“表达困难”或“多结构构象”的蛋白优化流程。具体而言，Chai 提供高通量表达系统、稳定性评估与功能预测打分，用于辅助抗体、酶等复杂蛋白的 early-stage engineering。

多位专家提到其团队“科学背景扎实”，技术路径聚焦明确，但目前仍处早期，未覆盖靶点评估与候选药物生成任务。

与 Cradle 相比，Chai 的模型规模与算法体系尚不突出，优势更多在于将结构预测与实验筛选结合的实际效率，客户使用主要集中在 early validation & expression optimization 阶段。

• Generate: Biomedicines 是当前 AIDD 领域最接近传统 Biotech 的公司之一，已具备完整候选药物生成与推进能力。

其平台核心在于 “生成式抗体设计” 能力，结合序列-结构双向建模网络与实验高通量测试，实现从靶点定义、候选序列生成、表达验证、动物实验直至临床前一体化流程。

与多数 AIDD 团队不同，Generate 已建立稳定的自有管线，涵盖肿瘤、自身免疫、感染性疾病等多个方向，并在 2024 年进入临床前 IND 准备阶段，显示其在“分子生成 → 候选递交”环节上的实际推进能力。

专家普遍将其视为“第一批有望证明 AIDD 临床价值的企业之一”，并指出其最大优势是“平台广度 + 实验执行力”并重，不止于模型算法本身 。

商业模式视角

滑动查看完整表格

注：根据公开信息整理

AlphaFold 类模型的下一步里程碑，会是在一个真正很难的靶点上证明自己的模型效果。因此诺华在合作 PR 稿中特别强调了给他们合作的靶点难度很大。从药企的角度看，AlphaFold 已经可以给出实验级坐标，但它究竟能否回答“如何合成、如何放大、如何满足 ADMET 约束”等深层问题，还需要一个以湿实验为闭环的“端到端产品”来验证。

Isomorphic Labs 最 AI-native 的竞争对手是 Chai Discovery，两者的竞争最能体现 AIDD 公司在“深度合作”与“场景轻量化”之间的分水岭。Isomorphic 以 AlphaFold 3 的复合体预测与生成式分子设计为核心，深度嵌入药企的 Hit-to-Lead 环节，与礼来、诺华签订的是里程碑式项目合同；Chai Discovery 的方向则是把 AI 工作流整合进生物实验室本身，强调通过自动化平台降低实验人员对 AI 模型的门槛。

在解决同类问题时，Cradle Bio 走的是 SaaS 化路线。其 CREDO 平台以 developability 评估与序列生成为核心，为研发团队提供按月订阅的 API 服务，客单价仅十几万美元。相较项目制公司，Cradle 的产品使用频次更高、上手成本更低，在具备内部实验能力的客户群体中渗透速度最快。

EvolutionaryScale 目前更像是“技术研究型公司”，其定位在于开源基础模型（如 ESMFold、ESM2 等），其策略倾向于模型影响力和生态传播，而非形成特定商业化路径或药物发现闭环。

Xaira Therapeutics 是当前最有可能落地 “full-stack AI+wet lab” 闭环的初创之一。其技术栈不仅包括蛋白建模与生物结构生成，还通过内部实验验证系统反哺设计环节，形成闭环式药物发现流程。

Profluent 的商业路径更接近“模型工具输出型”：其在蛋白语言模型上的开源工作（如 ProGen、OpenFold）获得广泛引用，但未明确形成与药企共研或内部推进管线的路径，当前核心在于模型 license 与社区生态影响力。

04.

团队

Isomorphic Labs 当前团队规模约 200 人，核心成员可以分为几个主要方向：约 40% 来自计算科学和人工智能领域，负责模型研发、算法调试和推理框架搭建；约 20% 拥有结构生物学和计算生物背景，主要参与结构预测、复合体建模和分子筛选；约 15% 专注药物化学与分子设计，负责模型输出转化为可合成的化合物并开展前期优化方案；还有大约 10% 的工程团队搭建数据平台和云基础设施，保障实验验证流程和数据追踪效率；临床转化医学团队约占 5%，目前由 Ben Wolf 带领，主要评估候选分子的临床转化价值；剩下的 10% 则为公司运营、人力、法务和项目管理等职能团队，保障整体项目按里程碑推进。

团队构成与 DeepMind 基因高度一致。创始人 Demis Hassabis 延续了 AlphaFold 团队的技术路径与科学方法；总裁 Colin Murdoch 曾主导 AlphaFold 的商业化落地；CSO Miles Congreve 来自 Astex、Heptares，是资深药物化学家，长期主导结构驱动的先导物优化与临床推进；CTO Sergei Yakneen 曾在 EMBL、SOPHiA GENETICS 等机构主导大规模数据平台系统建设；首席 AI 科学家 Max Jaderberg 来自 AlphaStar 团队，擅长复杂系统与大模型优化；CMO Ben Wolf 来自 Genentech 与 Blueprint，长期推进肿瘤靶点药物的临床转化。这是一支以 DeepMind 技术班底为核心，结合传统生物药研发经验的跨界团队。

这种团队配置决定了公司的组织方式明显不同于传统药企：模型、分子、实验、数据工程通常混编在一个项目组中推进迭代；多位受访人提到，Isomorphic 在内部高度强调“产品化的数据生成能力”——即让结构预测结果可以直接对接到分子优化与后续实验设计，而不是停留在建模本身。从整体看，Isomorphic Labs 的人才结构是一种“从模型向药物推进”的组织雏形：它不像典型生物技术公司那样先定义靶点再做建模，也不是典型 AI 公司只做算法封装，而是在尝试构建一种可打通药物结构建模与生成路径的中台式团队架构。这种组织形式是否能支撑未来更大规模的平台化服务，是接下来一条核心观察线索。

Leadership 背景一览

Demis Hassabis（Founder & CEO）：生于伦敦，本科就读剑桥大学计算机科学系，后在 UCL 攻读认知神经科学博士并于 2012 年完成学位。2010 年，他共同创办 DeepMind 并一直担任首席执行官，领导团队推出 AlphaGo、AlphaFold 等具有广泛影响力的研究成果。2021 年，Hassabis 在 Alphabet 体系内孵化并成立 Isomorphic Labs，继续兼任 CEO，负责总体技术路线、研究方向以及与 Google 基础设施的协同。他曾于 2018 年获颁大英帝国司令勋章（CBE），并多次入选《自然》《时代》等评选的年度人物。

Colin Murdoch（President）：曾长期担任 Google DeepMind 首席商务官，牵头将 AlphaFold 从开放研究转化为可在制药行业落地的商业服务，主导了与 Eli Lilly、Novartis 等多家药企的数十亿美元合作协议。2021 年，他与 Hassabis 共同筹划 Isomorphic Labs，并于创立初期出任公司总裁，负责运营管理、商业化策略和客户交付。公开资料显示，他拥有工程和管理背景，并在 DeepMind 早期即负责商务与伙伴关系事务。Murdoch 的优势在于跨职能团队管理、协议谈判和规模化商业模式设计。

Miles Congreve （CSO）：毕业于莱斯特大学生物化学专业，随后在剑桥大学获得合成化学博士学位，研究方向为结构指导的受体-配体设计。此前，他在 Astex Pharmaceuticals 与 Sosei Heptares 领导药物化学团队，参与或主导二十余个候选化合物推进至临床阶段，并被列为乳腺癌药物 Kisqali®（ribociclib）的共同发明人。2024 年加入 Isomorphic Labs 担任 CSO，负责靶点优选、分子设计策略以及与合作药企的科研对接。

Max Jaderberg （CAIO）：以一等荣誉毕业于牛津大学工程科学专业，并在帝国理工学院完成计算机视觉方向博士学位，研究强化学习与生成模型。其创办的 Vision Factory 公司被 Google 收购后，他成为 DeepMind 的资深研究员，先后推动 AlphaStar、Population-Based Training 等项目落地。2025 年初，他加入 Isomorphic Labs 出任 CAIO，着手构建统一的 AI 药物生成平台，将强化学习、扩散模型和多模态生物数据整合到候选分子的生成与迭代流程中。

Sergei Yakneen （CTO）：在多伦多大学获得计算机科学与数学双学位，并在海德堡大学完成分布式系统博士研究，专长于高性能计算和大规模数据管线。他曾任 SOPHiA GENETICS CTO，建设并运营覆盖全球 70 多国的 AI 诊断平台，后在 Amazon Web Services 和 EMBL（欧洲分子生物学实验室） 担任架构师，主导生物信息学管线的云原生改造。2025 年中，他受邀加盟 Isomorphic Labs 担任首席技术官，负责公司底层算力与数据基础设施规划，推动 Kubernetes、高通量存储和安全合规，实现从模型训练到实验分析的自动化流水线。

Beverley Mallon （CPO）：拥有人力资源管理硕士学位，是英国特许人事与发展协会（CIPD）认证会员，曾在 DeepMind 首任 People Director，构建了支持实验室科学家与工程师协同的高效组织文化与人才发展体系。她推动实施跨职能培训、绩效管理和心理健康支持项目，使团队在快速扩张中保持创造力与信任基础。作为 Isomorphic Labs 的首席人才官，她自创立之初便加入，带领人才招募、组织设计和文化整合，以确保 AI 科研与药化团队在混合型项目中实现高效协作。

Ben Wolf （CMO）：拥有耶鲁大学医学博士和肿瘤学博士学位，是一名兼具临床与科研背景的精准医学专家。他早年在 Genentech 和 Amgen 担任临床研究员，后在 Relay Therapeutics 出任首席医学官，领导小分子抗癌药物多项 Ⅰ/Ⅱ 期临床试验；随后他在 KSQ Therapeutics 推进 CRISPR 免疫疗法候选管线，又在 Blueprint Medicines 负责精准抑制剂的注册申报与安全评估。鉴于他对药物从临床前到临床开发各环节的全周期把控经验，Isomorphic Labs 于 2025 年 6 月任命其为首席医学官，负责制定公司全球临床策略、搭建美国东海岸临床团队，并与哈佛、麻省总医院等顶级机构联手推进 AI 驱动候选分子的临床试验。

此外，公司还组建了一个豪华的科学顾问委员会，囊括四位诺贝尔奖得主—— CRISPR 基因编辑奠基人 Jennifer Doudna、非对映体有机催化开创者 Sir David MacMillan、细胞周期调控发现者 Sir Paul Nurse 以及核糖体结构研究先驱 Venki Ramakrishnan。凭借在结构生物学、化学催化、分子生物学与科学伦理等领域的深厚造诣，他们将为公司在技术路线、数据使用和生物安全等关键议题上把关，并通过各自的学术与产业网络，为 Isomorphic Labs 引入顶级实验资源与合作机会。

05.

融资与合作里程碑

成立前两年，Isomorphic Labs 依靠 Alphabet 内部拨款运转，并未对外融资。

2025 年 3 月，公司完成首轮外部融资，获投 6 亿美元。该轮由 Thrive Capital 领投，Google Ventures 参投，Alphabet 追加跟投。投资人对高估值的核心判断在于：DeepMind 技术及 AlphaFold 3 的落地进展为公司提供可靠背书，同时也反映出资本市场对 AI 驱动药物设计赛道头部标的的确定性预期。

2024 年 1 月，公司与礼来和诺华分别签署多靶点小分子研发合作。协议结构沿用生物医药 BD 逻辑，而非一次性软件许可：礼来预付 4,500 万美元、最高里程碑 17 亿美元；诺华预付 3,750 万美元、最高里程碑 12 亿美元；两项合作的总预付款约 8,250 万美元，潜在里程碑总额近 29 亿美元（不含未来销售分成）。大型药企以实质性预付款绑定项目，也意味着 Isomorphic Labs 必须真的推到候选化合物阶段才能兑现后续价值，对技术有效性是一场直接检验。除公开的两大项目外，我们通过行业访谈确认，已有多家跨国药企与 Isomorphic Labs 展开付费合作试用其技术，提供真实项目和实验数据，评估其在早期药物筛选中的效用。这类合作既帮助 Isomorphic Labs 在实际场景中迭代模型、积累声誉，也为其构建“数据—模型”正反馈飞轮奠定基础。

06.

产品技术栈

技术基座：AlphaFold 3

AlphaFold 在模型架构上引入了 Diffusion 扩散模型，可以直接从氨基酸和配体分子序列出发，一次性输出蛋白质、DNA/RNA、小分子的三维结构，让这个结构与靶点的亲和力尽可能高。与早期版本相比，AlphaFold 3 在多分子体系上的平均 RMSD 约 0.9 Å，关键类别的预测精度提升至少 50%，首次把跨分子互作问题带入可编程、可扩展的计算范畴。

在药物研发流程中，该模型最直接的价值体现在 Hit/Lead 发现阶段。传统做法常需要对大量化合物进行高通量筛选或依赖 Autodock Vina 等基于力场的模拟工具来预测配体-受体的结合模式，而 AlphaFold 3 可以在数小时内完成对数十万小分子的复合体构象预测，并给出结合口袋原子级别坐标，为后续能量打分、定量构效关系（QSAR）及结构优化提供更可信的初筛信息。这替代了传统分子对接（Docking）和打分函数的流程，以更高精度、更快速度筛选出潜在的先导化合物。这种“预测即对接”的思路显著缩短了前期验证周期，使筛选效率和精度同时跃升。

当模型预测到某些先导化合物与靶点结合尚有改进空间时，生成模型能够在约束条件下自动提出新的分子 backbone。这种生成式优化可以理解为让模型在“想象”理想的分子结构，然后再反推具体的化学序列，再由模型预测其三维构象和性质，以验证设计是否满足要求。通过多轮迭代，AI 有望自动产生具有更佳活性、选择性或成药性的新候选物。

虽然 Isomorphic Labs 目前主要聚焦于计算环节而不亲自进行湿实验，但是他们正努力打造一个计算-实验闭环的架构：即数字模型产生假说→药企实验验证→数据返回优化模型，不断提高模型对于现实生物系统的拟合度。这种闭环思维体现在公司与药企合作的模式中——通过真实项目累积的实验数据来垂直整合模型和行业需求，从而形成正反馈循环。如果这一数字生物学闭环运行顺畅，将有望把新药早期筛选周期从数年压缩到数月，并显著降低试错成本。

结构预测主流技术对比

当前结构预测主流方法已转向单序列输入、扩散生成为核心。

当前主流结构预测路线已从依赖多序列比对（MSA）逐步转向单序列输入 + Diffusion 生成。以 AlphaFold 3 与 Chai-2 为代表，这类方法完全取消 MSA 与模板搜索，通过引入 Pairwise attention + Diffusion 模块直接建模氨基酸间空间关系，可在无同源信息情况下预测高质量结构。其在任务效率与下游适用性上均显著优于前代方法。

Diffusion 架构核心包括三部分：初始构象生成、交互建模、扩散优化。

这类模型通常包含三个模块：

1. 结构假设生成器（Structure Generator），对输入序列生成多个可能的初始构象；

2. 交互建模模块（如 Pairformer），编码氨基酸间的 pairwise 几何关系；

3. 扩散优化器，对结构坐标进行多轮迭代精炼，生成最终 3D 原子结构。

以 AlphaFold 3 为例，其结构由 48 层 Pairformer + 7 轮 Diffusion iteration 构成，完全摆脱了对 MSA 和模板库的依赖，兼具精度与效率，在 PoseBusters 等评测中达到当前最高水平（0.902）。

Alphafold 3 的模型结构

结构生成路线已成为通用趋势，Transformer 统一建模路线尚未形成性能突破。

除 Diffusion 架构外，也有部分工作（如 ESM-3、ESM Cambrian）尝试以 Transformer 直接统一建模序列、结构与功能。该思路具备 scaling 潜力，但截至目前，即便是最大规模的 ESM3-98B，其在主流结构预测任务（如 CASP14）中的表现（TM-score = 0.763）仍显著落后于 AlphaFold 3（TM-score = 0.902），说明其在结构精度与泛化性上尚未具备实质性突破。

Isomorphic Labs 公司目前没有公开的产品，我们可以参考同路线 Chai Discovery 的产品路线进行观察。

07.

展望与结语

当前 Isomorphic 采取的多项目合作模式，本质上属于“平台能力授权+定制合作”机制，核心收入来自于技术 license、里程碑付款以及一定比例的后续分成。这种模式的优势在于：

• 不太多承担临床推进的重资产风险

• 能与多家药企并行合作，增强模型的通用性与适应性

• 保持研发团队的技术聚焦，用 AI-native 的方式打造新的制药工作流

但同时这个模式的客户数量有限，收入体量较强依赖个别头部项目。商业变现的效率也与模型“真实贡献度”强相关，无法快速验证和复制。

总的来看，Isomorphic Labs 是一家验证“从 AI 原理验证 → 自建管线落地 → 商业化 license”新范式的标杆公司。当前其估值的前提建立在 DeepMind 技术优势和 GSK 等战略资源基础上，但中短期仍需面对从算法到候选分子的“生物验证断层”问题，以及围绕 wet lab、数据、合作者机制等核心能力的持续建设。如果它成功证明 AI Foundry 这一形式能持续产生可开发的分子、与药企合作推进至临床并实现变现，那么其估值逻辑将不同于上一代 Biotech 公司或 pipeline 项目公司。

 排版：夏悦涵