Isomorphic Labs 这次谈 IsoDDE，不能简单理解成 AlphaFold 3 的下一版。它把自己描述为一个统一的计算药物设计系统，目标是把结构预测、结合亲和力估计、未知口袋识别和药物项目里的候选排序放到同一条工程链路里。

这类声明需要谨慎读。Isomorphic Labs 给出的准确率和倍数提升都来自公司披露的评估，不等于外部实验室复现。它的意义在于展示 AI 药物设计平台正在怎样组织能力：不再只回答分子长什么样，而是试图帮助研究团队判断哪个口袋值得追、哪个分子可能结合得更稳、哪些生物安全场景可以更快响应。

不是再做一个结构预测器

AlphaFold 3 已经把蛋白、配体等生物分子的结构预测推到很高位置，但结构本身只是药物设计的一环。药物项目还要知道小分子是否真的会结合、抗体和抗原界面是否可信、目标蛋白有没有以前没被看到的可成药口袋，以及这些预测能不能泛化到训练集中没有见过的系统。

Isomorphic Labs 对 IsoDDE 的定位正是补这些环节。公司称它在 Runs N' Poses 这类考察蛋白-配体泛化能力的困难 benchmark 上，对最难系统的准确率超过 AlphaFold 3 两倍；在抗体-抗原低同源测试集里，高保真界面预测相对 AlphaFold 3 为 2.3 倍、相对 Boltz-2 为 19.8 倍。这里的数字很具体，但仍应按厂商披露处理。

泛化能力才是硬点

药物设计最容易被低估的问题是分布外情况。真实管线里有大量未被充分标注的靶点、构象变化和诱导契合；模型如果只在接近训练集的分子空间里表现好，对新靶点帮助有限。Isomorphic Labs 特别强调 IsoDDE 能处理与训练集相距较远的蛋白-配体结构，并提到隐蔽口袋打开这类复杂事件。

这也是它试图越过结构预测的地方。文章举了 cereblon 的例子：公司称 IsoDDE 在只输入氨基酸序列、不指定配体身份时，预测出了已知口袋和近期实验发现的隐蔽变构口袋；在给出配体后，又能把配体折叠到相应口袋里。若这种能力在更多外部任务上成立，它会直接影响早期靶点评估，而不是只为已知结构补图。

亲和力和口袋识别靠近决策层

真正影响药物项目节奏的，往往不是能否生成漂亮三维结构，而是能不能快速排除低价值候选。Isomorphic Labs 称 IsoDDE 在 FEP+ 4、OpenFE 和 CASP16 盲测结合亲和力任务上超过深度学习方法，并且在部分场景下超过基于物理的方法，同时不依赖实验晶体结构作为输入。

这类说法如果被后续验证，工程含义很直接：模型可以先在计算端缩小搜索空间，再把更少、更有把握的候选交给实验。它不会替代湿实验，却可能改变湿实验前的排队方式。对药企和生物技术团队来说，省下来的不是某一次推理时间，而是整个候选筛选循环的周转时间。

安全合作说明了边界

Google DeepMind 与 Isomorphic Labs 同时把这些能力放进 bioresilience 叙事里。它们提到过去 12 个月推进了 15 个以上与政府机构、生物安全组织和研究团队的合作，并把工作分成预防、检测和响应：包括模型威胁建模、评估、缓解、监测，也包括用 AlphaEvolve、AlphaGenome、蛋白功能注释和 IsoDDE 支持病原体监测与医疗对策设计。

这给 IsoDDE 加了一层现实约束。药物设计引擎越能处理未知生物系统，越需要访问控制、评估和合作边界。今天最值得跟踪的不是某个单项指标，而是这些模型能否在真实药物管线和生物安全场景里稳定、可审计地工作。AlphaFold 打开了结构预测的入口，IsoDDE 想把入口后面的流程也变成软件系统；它离临床结果还有很长距离，但工程化方向已经很明确。