Talus Bio 发布 Ptarmigan-1：首个无需蛋白结构的全蛋白质组 AI 药物发现模型

文/IAICA.NGO®

2026年10月1日，生物技术公司 Talus Bio 宣布推出名为 Ptarmigan-1 的人工智能模型，并将其称为首个面向全蛋白质组药物发现的“无结构”模型。按照该公司的说法，这一模型在预测化合物与蛋白质相互作用时，不再以蛋白质的三维结构作为必要输入，而是尝试直接在序列、化学表征与实验信号之间建立映射，从而把可筛选的靶点范围从数千个“结构已解”的蛋白，扩展至更广阔的蛋白质组空间。

从结构导向到跳过结构

过去数十年，小分子药物发现大体遵循结构导向的逻辑：先解析靶蛋白的三维结构，再借助分子对接、自由能微扰等方法筛选化合物。AlphaFold 类模型的问世显著降低了获取结构的门槛，但其优势主要集中在折叠明确的球状蛋白上。对于内在无序区、低复杂度结构域以及大量转录因子，结构预测的置信度往往偏低，而这些蛋白恰恰与肿瘤、炎症、纤维化等疾病通路高度相关，长期被视为“难成药”地带。

Ptarmigan-1 的技术主张正是指向这一地带。无结构路线不把三维构象作为中间变量，其方法论更接近化学信息学与大规模功能基因组学数据的联合建模。潜在好处有三：绕开结构解析的时间与成本瓶颈；对无序蛋白等结构方法难以覆盖的靶点给出预测；预测对象是蛋白质组尺度而非预先圈定的少数靶点，有助于发现非预期但具备选择性的相互作用。

蛋白质组尺度意味着什么

人类蛋白质组约有 2 万个蛋白，叠加剪接变体与翻译后修饰后，实际需要考虑的构象与状态远超此数。在这一尺度上建模，需要直面几个结构性难题：数据覆盖极不均衡，热门靶点积累丰富、冷门靶点近乎空白；标签噪声显著，不同实验平台测得的结合亲和力可能相差数个数量级；体外结合与细胞内功能效应之间存在巨大鸿沟。因此，“全蛋白质组”模型的实际可用性，最终取决于前瞻性湿实验验证，而非回顾性基准测试的漂亮分数。

与结构预测路线的比较

以结构预测为中心的路线，通常把 AlphaFold 类结构作为对接或生成式分子设计的起点；无结构路线则试图直接建模化学结构与生物功能之间的映射。二者并非互斥。更现实的图景是混合流程：用无结构模型扩大候选空间，用结构模型与实验结构做收敛性验证，最后回到细胞与动物模型评估功能后果。

验证缺口与不确定性

截至目前，Talus Bio 尚未完整公开 Ptarmigan-1 的架构细节、训练数据来源、适用域边界与第三方复现结果。将其视为范式转移的完成，还是范式转移的开端，需要谨慎。AI 制药领域的历史经验反复说明，最困难的部分往往不在模型本身，而在湿实验闭环、可成药性判断、毒理与药代动力学，以及临床阶段的高失败率。

iaica.com.cn 认为，此类工具的长期价值不仅取决于预测精度，也取决于它能否嵌入可验证的研发与照护流程——从靶点发现、临床试验到上市后的真实世界证据积累，每一环都依赖可追溯的数据治理与合规框架。

对疾病与照护体系的可能影响

对患者和照护体系而言，AI 药物发现的意义通常不体现在“更快出药”的口号上，而体现在少数长期缺乏靶点的领域能否取得实质突破，例如转录因子驱动的肿瘤、神经退行性疾病与部分罕见病。如果全蛋白质组级别的可成药性图谱能够被系统性构建并公开验证，行业在靶点选择上的“扎堆”现象有望缓解，更多被忽视的疾病可能重新进入研发管线。

尚待回答的问题

截至发稿，Ptarmigan-1 的商业化路径——自研管线、对外授权还是平台服务——开放程度与定价策略均未明朗。可以确定的是，“药物发现是否需要结构”这一问题，正在从技术细节演变为方法论层面的路线之争，而答案将由未来数年的实验数据书写。

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。