編按：本文綜合整理自 Isomorphic Labs 官方技術文章、IsoDDE 技術報告、IEEE Spectrum 訪談、Nature 研究 與 bioRxiv 基準研究，並加入 Siami 編輯部觀點與分析。
Isomorphic Labs 在 2026 年 2 月公布新一代藥物設計系統 IsoDDE（Isomorphic Labs Drug Design Engine），把 Google DeepMind 以 AlphaFold 系列建立的蛋白質結構預測，往「找出可以下藥的位置、評估分子怎麼結合」的方向推進。這不是把 AlphaFold 3 換個名字，而是試圖把結構預測、結合口袋辨識與結合親和力預測，整合在同一套計算系統裡。
這項消息近期再次登上 Hacker News，主因是官方技術文章把幾個數字講得很醒目：IsoDDE 在測試陌生蛋白質—配體組合的 Runs N’ Poses 基準中，最困難的泛化區段，準確度超過 AlphaFold 3 一倍；在低同源性的抗體—抗原測試集上，高保真預測比例是 AlphaFold 3 的 2.3 倍、Boltz-2 的 19.8 倍。這些數字代表的是特定基準與特定評分條件，不是所有藥物研發任務都全面提升相同幅度。
IsoDDE 到底多做了什麼？
AlphaFold 3 已經能同時處理蛋白質、核酸、小分子與其他生物分子之間的互動，但過去研究指出，當測試對象和訓練資料差異很大時，模型的蛋白質—配體預測能力會下降。對藥物研發來說，真正有價值的往往正是那些尚未被充分研究、沒有現成結構模板的新目標。
Isomorphic Labs 公布的 IsoDDE 能力，主要可以分成三層：
- 結構預測：判斷蛋白質與小分子、抗體或其他分子如何形成空間互動。
- 口袋辨識：只給蛋白質的胺基酸序列，也嘗試找出可能容納藥物的已知或隱藏結合位置。
- 親和力預測：估計候選分子與目標蛋白結合得有多強，協助研究人員排序與優化分子。
官方也在 FEP+ 4、OpenFE 與 CASP16 盲測等公開基準上報告優勢，並稱其結合親和力預測在部分測試中超過傳統物理方法。這個方向的意義在於，研究團隊不必先為每個候選分子製作完整實驗結構，便能先用計算方法縮小搜尋範圍。
一個隱藏口袋如何改變藥物搜尋？
官方團隊選用 cereblon 作為示範案例。cereblon 是 CRL4 E3 泛素連接酶複合體的一部分，和細胞標記、清除受損或錯誤折疊蛋白質的機制有關，也長期是沙利度胺及其衍生藥物研究的重要目標。
2026 年 Nature 研究描述了 cereblon 上一個新的變構結合位置。這個口袋在蛋白質沒有配體時並不明顯，必須在適當分子接近後才會呈現，因此被稱為隱藏口袋。Isomorphic Labs 表示，IsoDDE 只使用 cereblon 的胺基酸序列，就找到了已知口袋與這個新口袋的位置；在指定配體之後，系統也預測出分子進入兩個口袋的方向。
這種能力如果能在更多蛋白質上重現，可能讓「沒有明顯可下藥位置」的疾病目標重新進入研究範圍。它不只是找到一個漂亮的三維圖，而是協助科學家提出可供合成、測試與後續優化的候選機制。
數據解讀：倍數很大，不代表藥已經成功
官方的比較數據值得注意，但也必須先看清楚測試設計。Runs N’ Poses 是用來檢驗模型能否泛化到新蛋白質—配體系統的基準，最困難區段特別強調「和訓練資料不相似」的案例；抗體—抗原數據則使用 DockQ 大於 0.8 的高保真門檻。2.3 倍與 19.8 倍是在這些條件下得到的相對結果，不等於臨床成功率增加相同倍數。
更關鍵的是，IsoDDE 的技術報告主要公開能力與基準結果，沒有把完整模型架構、訓練資料與所有工程細節完全公開。Hacker News 討論串的讀者因此提出兩個合理疑問：公眾目前不能直接試用這個模型，而且文章公布時尚未經過同儕審查期刊驗證。這不會自動否定結果，但表示外部研究團隊仍需要取得資料、重跑測試，才能判斷結果能否在不同設定下重現。
bioRxiv 的 Runs N’ Poses 研究也提醒，蛋白質—配體模型可能記住訓練資料中的姿勢，導致模型在真正陌生的化學空間表現下滑。換句話說，能在一組時間切分或泛化基準上表現良好，是重要進展，卻仍不是「已經解決新藥設計」的證明。
為什麼這件事重要？
藥物研發最耗時的部分，往往不是把一個漂亮的分子畫在電腦上，而是確認它是否真的能在複雜生物環境中，以正確方式作用於目標，並且同時具備足夠安全性、穩定性與可製造性。IsoDDE 的價值，若後續研究能確認，會在於把早期搜尋從「大量嘗試再逐一淘汰」推向「先找更可能成功的結合機制，再安排實驗驗證」。
這也解釋了為什麼 Isomorphic Labs 在 2026 年 5 月宣布取得 21 億美元 B 輪融資，並與 Johnson & Johnson 等藥廠展開合作。資金和合作不代表候選藥物已經通過臨床，而是反映產業願意為計算設計、實驗平台與候選管線投入更大規模的資源。對台灣與華文讀者而言，這不只是「又一個 AI 模型打敗舊模型」的新聞；它牽涉生技公司的資料壁壘、醫藥專利、算力成本，以及未來藥物發現的工作流程會由哪些團隊掌握。
真正值得觀察的是，IsoDDE 能否把基準分數轉成可重複的實驗結果，再轉成通過人體試驗的候選藥物。如果計算模型只能在公開基準上漂亮，卻不能穩定預測細胞與人體中的結果，商業價值就會被打折；反過來，若它能在幾個治療領域持續縮短候選篩選週期，影響才會超越 AlphaFold 時代的結構資料庫。
接下來看什麼？
Isomorphic Labs 已經把 IsoDDE 描述成每天用於公司內部藥物設計計畫的系統，但目前公開資訊仍以技術報告、公司說明與訪談為主。後續至少有三件事值得追蹤：
- 是否有獨立團隊在 Runs N’ Poses、抗體—抗原與親和力基準上重現結果。
- 公司是否公開更多模型架構、資料切分與失敗案例，讓外界能判斷泛化能力而不是只看最佳數字。
- 由 IsoDDE 協助設計的候選藥物，能否從計算預測進入臨床試驗並產生安全、有效的結果。
目前較準確的結論是：IsoDDE 顯示 AI 藥物設計正從單純預測分子結構，走向同時處理結構、口袋與結合強度的整合系統；但它仍是藥物研發流程中的計算工具，不是取代實驗室、毒理測試與臨床試驗的捷徑。
延伸閱讀：IsoDDE 技術報告｜IEEE Spectrum 專訪｜Nature：cereblon 新變構口袋｜Runs N’ Poses 基準研究
網友熱門留言 (4)