Google DeepMind 衍生公司如何搜寻隐藏的药物靶点
在人工智能驱动的药物发现领域，一家名为 Isomorphic Labs 的初创公司正试图开辟新路径。这家从 Google DeepMind 剥离出来的企业，正在开发一种全新的药物设计引擎，能够预测蛋白质上那些在正常情况下不可见、但在特定分子作用时会暴露的隐藏结合位点。
从AlphaFold到药物设计
Isomorphic Labs 的根基在于 DeepMind 在蛋白质结构预测上的突破——AlphaFold。AlphaFold 能够高精度预测蛋白质的三维结构，但蛋白质并非静态的。它们会随着环境变化而动态运动，尤其是当小分子药物与蛋白质结合时，蛋白质的构象会发生改变，从而暴露出新的结合口袋。
传统的药物发现方法通常依赖于蛋白质的静态结构，这可能会遗漏那些仅在动态过程中出现的“隐藏”靶点。Isomorphic Labs 的引擎正是为了解决这个问题而设计：它利用深度学习模型模拟蛋白质在不同条件下的动态行为，识别出那些瞬时的、但在药物设计中极具价值的结合位点。
技术核心：动态结合位点预测
该引擎的核心能力在于预测蛋白质的动态构象变化。通过训练大量蛋白质动力学数据和分子相互作用数据，模型能够学习到蛋白质在接触候选药物分子时可能发生的结构变化。这意味着，药物设计师现在可以针对那些传统方法无法触及的“隐窝”进行设计，从而开发出更特异、更有效的药物。
例如，某些疾病相关蛋白在静息状态下表面光滑，没有明显的结合口袋，但一旦与特定信号分子结合，就会产生一个临时性凹槽。Isomorphic Labs 的引擎能够提前预测这种变化，并建议能够稳定该构象的候选分子。
行业背景与挑战
AI 药物发现领域近年来竞争激烈，除了 Isomorphic Labs，还有 Recursion Pharmaceuticals、Insilico Medicine 等玩家。然而，多数公司仍专注于基于静态结构的虚拟筛选或分子生成。Isomorphic Labs 的差异化在于强调动态结构，这更接近生理现实，但也带来了更高的计算复杂度和数据需求。
目前该引擎仍处于内部验证阶段，尚未有公开的临床候选药物。不过，Isomorphic Labs 背靠 DeepMind 的技术积累，并获得了 Alphabet 的资金支持，其进展值得关注。如果成功，它可能改变药物发现的前端流程，提高从靶点发现到先导化合物优化的效率。
小结
Isomorphic Labs 正在将 AI 对蛋白质的理解从静态推向动态，这可能是药物发现领域的一个重要转折点。未来，我们或许能看到更多针对“不可成药”靶点的新药诞生。