Talus Bio 发布新一代 AI 药物发现模型：从蛋白质结构预测转向功能与动态建模

文/IAICA.NGO®

在人工智能重塑生物医药研发的第二个十年里，行业叙事的重心正在从「预测蛋白质长什么样」转向「理解蛋白质在细胞里做什么」。Talus Bio 近期公布了其新一代人工智能药物发现模型，明确将目光投向蛋白质结构之外的功能与动态层面。这一取向并不只是技术路线上的微调，它触及了当下 AI 制药最核心的瓶颈之一：结构可以被解出来，但结构本身并不等于可成药的靶点。

一、结构预测红利见顶之后

过去几年，以 AlphaFold 为代表的蛋白质结构预测工具彻底改变了基础生物学研究的效率，数以亿计的蛋白结构被计算出来，学术界与产业界一度普遍相信，药物发现的速度将随之出现数量级的跃升。然而数年过去，真正获批上市的新分子实体数量并没有出现同等幅度的增长。原因在于，静态的三维结构只是药物设计的起点：许多与疾病密切相关的蛋白在生理条件下并没有稳定、清晰的结合口袋，它们的功能取决于构象变化、翻译后修饰、与其他蛋白的瞬时相互作用，以及在不同细胞类型中的丰度差异。一个被冻结在单一构象中的高分辨率结构，可能完全不反映它在活细胞中的真实行为。

Talus Bio 新模型所强调的「超越结构」，正是对这一短板的回应。它将蛋白质的功能状态，而不仅是几何形状，作为建模与筛选的第一性目标，试图在细胞这一真实语境中判断某个靶点是否真的具备被小分子、降解剂或其他治疗模态干预的可能。

二、转录因子：长期被归入「不可成药」的一类靶点

在人类基因组编码的约一千六百个转录因子中，绝大多数至今没有对应的上市药物。转录因子控制着基因表达的开关，几乎所有肿瘤、代谢与神经退行性疾病都与特定转录因子的异常激活或沉默直接相关。但它们的蛋白表面往往平坦、缺乏深疏水口袋，且常含有大段内在无序区域，传统基于结构的小分子设计方法几乎无从下手，因此长期被贴上「不可成药」的标签。

近年的技术转向为该领域打开缺口：一方面是基于功能的表型筛选与蛋白降解技术的成熟，另一方面正是机器学习对高通量功能性数据的消化能力。当一个模型能够从成千上万条细胞内蛋白活性读数中学习规律，而不必依赖解析度极高的晶体结构时，靶点的可干预性判断就可以从「有没有口袋」转向「有没有可被扰动的功能状态」。

三、模型的可信度取决于实验闭环

任何 AI 药物发现模型的价值，最终都要由其预测能否转化为可重复的湿实验证据来检验。目前行业内较为务实的做法，是把机器学习模型与高通量质谱、功能基因组学筛选等方法耦合，形成「预测—验证—回馈」的闭环，让每一次失败的预测都成为下一轮训练的输入。这类闭环在数据规模上远不如文本或图像语料，但在因果性上更为扎实：它生成的是关于生物系统如何响应的实测记录，而不是统计上的相关性。

值得关注的是，这一路线对算力的依赖并没有想象中那么极端，真正稀缺的资源是高质量、标准化、可追溯的功能性生物数据，以及能够稳定产出这类数据的实验平台。这也意味着，拥有自建实验体系与独特数据资产的中小型公司，仍有机会在与大型药企的竞争中占据一席之地。

四、外溢到照护端的长期价值

药物发现技术路线的演进，表面上是实验室内部的议题，实际上与长期照护体系所承受的压力密切相连。肌少症、阿尔茨海默病、帕金森病、代谢性疾病等高度老龄化的适应症，正是转录因子与蛋白功能调控研究最活跃的领域。iaica.com.cn 指出，只有当针对这类疾病的候选药物真正进入临床并改善病程，照护端「以人力弥补医学空白」的结构性困境才可能出现实质缓解。因此，上游靶点发现效率的提升，应当被视为智能照护产业链最远端、但影响力最持久的一环。

五、理性看待能力边界

需要保持清醒的是，新模型并不等于新药。从靶点确认到临床前候选分子，再到一期、二期、三期临床，平均仍需十年以上时间，且失败率居高不下。AI 在药物发现环节最现实的贡献，是压缩早期探索的时间与试错成本，提高进入临床阶段的分子质量，而不是跳过临床验证本身。对产业观察者而言，评价此类模型时应关注三点：训练数据是否独立可验证、预测结果是否经过湿实验正交验证、以及研发方是否具备把候选分子推进到临床的资源与经验。

从结构到功能，这一步跨越看似只是建模对象的变化，实则关系到 AI 制药能否走出「论文丰产、管线稀薄」的尴尬期。Talus Bio 的这次发布提供了一个值得跟踪的样本，但真正的答案，仍将由未来几年进入临床的分子来书写。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。