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。

但深旋科技（Atomelody），交出来了。

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

要理解这件事的分量，得先知道它选的是一个什么样的细分赛道。

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。

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。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。

Melo-1更具合法性优势

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。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。

Melo-1同参数条件下性能远超其他同类模型

核酸和抗体场景Melo-1 preview版本提升显著，模型潜力凸显

那么接下来的一个问题是：四个月，怎么做成的？

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。

以下是对话实录，在不改变原意的前提下做了编辑整理。

全原子模型，究竟走到哪一步了

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？

张肖男：二者解决的是不同维度的问题。

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。

Q：所以做药，必须走全原子这条路？

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。

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。

Q：那结构预测做得好，是不是就等于能做药物设计了？

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。

Q：抗体场景，现在卡在哪？

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。

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。

Q：环肽呢？

张肖男：环肽的挑战会更进一步。

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。

更进一步，环肽真正困难的地方还在于设计空间本身非常巨大。

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搜索，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。

Q：两个场景的难点，能各用一句话概括吗？

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？

张肖男：不准确。

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”，是不够准确的。更准确的说法应该是：模型可以表示和处理很多非天然化学实体，但这不等于它已经充分理解这些化学实体背后的规律。

Q：那真正的难题在哪？

张肖男：关键要区分能够表示和真正理解。

模型能够识别一个非天然氨基酸，并不意味着它真正学会了这个分子的物理化学规律。比如，D型氨基酸、N-甲基化、侧链修饰以及不同的环化方式，都会改变分子的几何结构、立体化学和构象偏好。模型真正需要学习的，是这些化学变化如何进一步影响整个分子的三维结构以及与靶点之间的相互作用。

由于非天然化学实体相关的高质量实验结构数据相对匮乏，模型即使能识别或表示某种化学实体，也不意味着它已经充分学会了背后的规律。

更关键的是，从预测一个给定非天然分子的结构，到在序列×非天然化学×拓扑×立体化学构成的巨大组合空间中主动生成并优化分子，本身就是两个完全不同的难度层级。

药用肽，特别是口服肽和长效肽，往往要用D型氨基酸、非标准侧链、N-甲基化、脂肪酸这些修饰。这些实体在训练数据里的结构数量、覆盖范围和构象多样性，通常都远低于天然蛋白。模型对新颖非天然残基、复杂环化拓扑及其构象系综的泛化能力，仍然是一个重要挑战。

从预测到设计，还有多远

Q：这些问题都还没被很好解决，深旋接下来要做什么？

张肖男：我们希望构建的，是从全原子结构预测进一步走向下一代AI大分子基础模型的技术体系。

我们相信，下一代AI大分子基础模型不应该止步于结构预测。

Q：具体要让模型学会什么？

张肖男：要学非天然氨基酸引发的原子级几何变化、立体化学规则、构象偏好，以及这些因素对结合、稳定性、通透性和PK等成药性质的影响。

更重要的是，我们希望模型能把这些知识泛化到“化学×拓扑×立体化学”的巨大组合空间中，实现分子的主动生成、智能评估和实验验证，再通过实验数据持续迭代、自我进化。

最终目标，是推动de novo大分子药物设计从预测真正走向设计。

Q：现在AI做大分子药物发现，成熟度大概什么水平？如果用十分制。

张肖男：我认为目前AI在大分子药物发现领域，已经能在部分环节产生非常有价值的结果，但距离全面替代传统药物研发流程还很远。

Q：能具体到不同分子类型吗？

张肖男：以小型蛋白（mini binder）的de novo设计为例，在特定靶点和特定设计任务中，公开工作已经展示出相当不错的成功率。但不同研究的任务定义、设计空间、筛选策略和"成功"的标准差异很大，所以很难给出一个有普适性的行业平均数字。

抗体特别是VHH，AI从头设计已经出现了一些令人鼓舞的结果，但从公开模型到稳定、规模化地产出可开发候选物，仍然存在较大距离。

环肽更特殊。构象、非天然氨基酸、化学修饰和拓扑空间都更复杂，同时大规模、高质量的实验数据仍然有限，所以这个领域还缺少成熟、标准化的AI设计与湿实验闭环。

Q：所以AI能替代传统药物研发流程吗？

张肖男：我更愿意把今天的AI看作正在重构药物研发流程，而不是已经替代传统药物研发。

真正有价值的方向，是让AI与实验形成越来越紧密的闭环，让模型能够通过实验不断学习和迭代。

无知者无畏，和它的奖励函数

Q：深旋的长期竞争力是什么？

张肖男：我想到一个词——无知者无畏。

我们这个团队对于传统药物研发而言，确实有一点无知者无畏的感觉。但从创新的角度看，这未必是坏事。因为还有一个词，叫无所畏惧。

Q：怎样才算无所畏惧？

张肖男：需要无限的好奇心、很强的自驱力，以及对所做事情足够坚定的信念。

很多创新本身，就是在不断讨论和碰撞的过程中产生的大胆想法。在一个成熟组织里，一个想法可能因为太大胆、太超前，或者短期看起来不够实际，很快就被否定了。但我们反而愿意保留这种探索的空间，愿意去尝试一些尚未被验证的方向。这可能是创业公司的优势。

Q：大胆的代价是更高的失败率。这个怎么控制？

张肖男：我们愿意承担这种风险，但这并不意味着无脑地冲。恰恰相反，我们非常希望借助传统药物研发中的经验，不断校正我们的想法和路径。这个机制需要搭建好。

我觉得它有点像模型训练中的奖励函数：奖励函数设计得好，模型才能朝着我们真正希望的方向不断迭代。

所以深旋长期的竞争力，一方面来自技术和产品，另一方面也来自这种持续探索、快速学习、不断自我校正的组织能力。

Q：深旋想成为一家怎样的公司？

张肖男：首先，我们想做的是真正通过AI基础模型赋能药物研发，而不是简单地把AI当成一个辅助工具。这是一件周期很长、风险很高、前路漫长的事情。

在这个过程中，需要不断融合不同学科背景的人才。最开始我们觉得AI和生物的交叉已经足够复杂，后来发现远远不止如此：化学和生物需要交叉，生物内部不同疾病领域之间也需要交叉。没有一个人能够面面俱到、掌握所有知识。

Q：那对创始人本身是什么要求？

张肖男：我们最终想做的事情又非常难，除了努力还需要运气，这有点像西天取经，九九八十一难都等着大家。

这就要求领导者自身不能有太强的ego，但需要有很强的信念感，能够把不同的人聚在一起，让大家发挥各自优势，形成真正的融合与创新。

所以回到您的问题，深旋希望成为一家尊重并激发每一位员工潜力与创造力的公司。因为只有创造力才能产生真正的创新，而创新才能带我们一步一步"取到真经"。本身我们做的就是创新药。

Q：最后介绍一下创始团队吧。

张肖男：创始团队除了我，还有两位非常资深的算法专家方晓敏和刘荔行，以及一群有冲劲的可爱小伙伴们。

深旋某种意义上我觉得更像是一个球队，大家有分工也有合作，有个共同想赢球的目标。

创始团队在一起深耕AI Drug领域超六年，我们应该也是目前行业内，非常稀缺的同时兼具技术创新性和产业实操性的六边形团队，过往也有多项引领行业发展的创新性工作。所以下一次，推荐你们可以采访一下我们另外的两位联合创始人，可能又会有不一样的感受。