作者：Damon、Cage
Isomorphic Labs 正在透過 AlphaFold 3 的突破性結構預測能力，將藥物發現從傳統的實驗驅動模式轉向 AI 計算驅動的設計模式。該公司不僅實現了分子結構設計的模組化和平臺化，更重要的是與禮來、諾華等頂級藥企建立了深度合作，透過真實專案獲得實驗資料反饋，拿到了資料和收入的雙重正反饋。
這個團隊由 DeepMind 的生命科學團隊孵化而來，憑藉 AlphaFold 3 把蛋白—配體複合體預測精度推至實驗室水準的技術跳變，開始致力於將“小分子設計→虛擬篩選→結構最佳化”變成可工程化的技術平臺。這使公司有望成為藥物研發的“AI Foundry”，在發現階段可將成本削減 30–40%、週期縮短一年以上。
今年 3 月公司首次進行了外部融資，獲投 6 億美元，該輪由 Thrive Capital 領投，Google Ventures 參投，Alphabet 追加跟投。未來 3–5 年，誰能在高難度靶點上做出第一個 AI 設計、實驗驗證、推進至臨床階段的候選藥物，誰就有機會定義新藥發現的遊戲規則。Isomorphic Labs 和 AI4Science 領域都在押注和期待這個臨界點的到來。
💡 目錄 💡
01 研究 Thesis
02商業模式
03 競爭格局
04 團隊
05 融資與合作里程碑
06 產品技術棧
07 展望與結語
01.
研究 Thesis
Isomorphic Labs 成立於 2021 年，由 Alphabet 將 DeepMind 生命科學團隊拆分出來，旨在用深度學習演算法加速藥物設計。“Isomorphic” 的寓意是生物系統有著可以被演算法對映的共形結構，這體現了他們的核心理念：用計算模擬真實的生物過程，實現藥物研發流程的 AI 化改造。我們認為對 Isophormic Labs 的研究有三個核心 thesis：
• 結構生物學的「TSMC 時刻」
AlphaFold 3 將分子結構設計轉化為可程式設計問題，使“分子設計→虛擬篩選→性質最佳化”的工作模組化、平臺化；我們認為 Isomorphic Labs 最有可能實現「AI Foundry」定位，有望成為藥物研發領域的計算設計平臺。
• AlphaFold 3 將模型表現提升到實驗室水平
AlphaFold 3 引入 Diffusion Model，把模型輸出的結構效果接近了實驗室水平。模型減少了對先驗多序列比對 （MSA） 的依賴，同時拓寬了輸入分子型別。不僅增強了對蛋白質結構的精準預測，更有機會將能力擴充套件到預測蛋白質與 DNA、RNA、小分子等複合物的結構與相互作用。
•藥廠信任 & 資料正反饋飛輪
禮來、諾華選擇以八位數預付款鎖定管線合作；和大藥廠的合作能在真實專案中不斷反饋實驗資料，反哺模型精度，形成資料垂直整合壁壘。
在我們看來，Isomorphic Labs 會是驗證 AI 驅動藥物發現（AIDD）商業閉環最關鍵的觀察點之一。
02.
商業模式
與藥企的專案合作
Isomorphic Labs 的商業模式是與大藥企共同設立新藥專案。在與諾華、禮來的合作中，製藥方提供靶點、化合物庫和實驗資源，Isomorphic Labs 則投入 AlphaFold 3 的結構預測能力、生成式分子設計算法及結構生物學專家團隊，雙方圍繞既定靶標和適應症並行推進 Hit→Lead 研發和實驗流程。一位 Sanofi 高管評價道：“如果你已經有了 Hit，他們可以幫助你迅速搭建複合體模型，當前階段效果令人期待。”
這種專案制合作的優勢在於單個合同價值大、里程碑激勵明確，並能讓 Isomorphic Labs 深度參與候選分子的誕生過程，從而拿到最核心的晶體結構、結合活性和 ADMET 資料，為後續模型訓練提供高質量素材。由於合作條款通常約定預付款與里程碑支付，公司在候選進入臨床前時即可獲得後續收入分享，極大地增強專案黏性。
這類合作專案也有一些風險，首先是需要投入數十位專家和大量算力，短期內難以並行啟動很多條管線，使得收入來源高度依賴少數大客戶。此外，專案中產生的新分子和實驗資料多由藥企持有或保密，若合作協議未賦予 Isomorphic Labs 足夠的資料使用權，就無法將單一專案的成果累積成可橫向複用的通用平臺資產，進而限制其服務規模化和模式迭代。
從客戶定位來看，Isomorphic Labs 的主要合作方集中在禮來、諾華、Sanofi、J&J 等投研管線規模雄厚、願意預付大額資金探索 AI 加速的頂級藥企。這些客戶通常擁有成熟的靶點驗證流程，希望透過結構生物學和生成式設計來豐富自身候選庫，而非依賴即買即用的通用工具。Isomorphic Labs 在結構預測與分子最佳化環節提供革命性效率提升，扮演的角色更像“藥企的計算加速平臺”而非“軟體供應商”。
Iso 在 AIDD 工作流中的位置
在行業慣用的定義中，“藥物發現”並非單一環節，而是由數個相互銜接的子階段組成，每一步都對應特定的決策與實驗讀數，也為 AI 的不同演算法提供了切入口。以下內容基於我們對公開資料（如論文、官網部落格、合作方披露）和一線從業者訪談的觀察。在此基礎上，我們結合藥物發現的常規流程與實際痛點，對 AlphaFold 3 的具體應用場景做了合理推斷，力求還原其在各子環節中的真實價值。
• 靶點發現（Target Discovery）
藥廠一般會儲備需要攻克的靶點，這一步不剛需 AI 去做前置發現。藥物發現的起點是確定適合干預的生物靶點，並證明調節該靶點能影響疾病程序。
•靶點確認與驗證（Target Identification & Validation）
這一環節的核心任務是確定某個蛋白或通路是否與疾病病理直接相關並且“可成藥”。傳統做法依賴組學分析、CRISPR 敲除/敲降及功能性實驗，再輔以 X-ray 或冷凍電鏡解析蛋白三維結構，往往需要數月才能知道口袋是否存在、是否有足夠剛性。AlphaFold 3 在專案伊始就給出亞埃精度的摺疊模型和潛在結合口袋座標，研究團隊據此快速評估“熱區”及柔性環段可塑性；這一步可提前淘汰約 20–30% 不可成藥靶點，併為後續實驗節省數週到數月的結構測定時間。
• 生物測定與篩選體系建立（Assay Development & Screening Setup）
目標是在體外構建一個高通量且信噪比穩定的活性讀數體系。傳統流程往往要反覆調整蛋白純化條件、底物濃度和緩衝體系，才能摸索出合適的動力學視窗。藉助 AlphaFold 3 提供的原子級口袋資訊，實驗人員可以直接在關鍵殘基附近設計熒光探針或 FRET/HTRF 標記，並預估 IC₅₀ 範圍來設定底物濃度；在大型藥企的實踐中，這將體系開發週期平均縮短 30–50%，同時把重複實驗次數降到原來的三分之一。
• 初始化合物獲取（Hit Generation）
任務是從 5 000–10 000 個甚至上百萬化合物中找出能與靶點結合的一小撮 Hit。傳統路徑要麼進行高通量篩選（HTS），一次性溼實驗 50 萬–200 萬個化合物，要麼使用對接打分的虛擬篩選，但命中率普遍低於 0.1%。AlphaFold 3 可以一次性預測蛋白-配體複合體，為數萬商業庫分子生成原子座標並用模型置信度做第一輪過濾；再由生成式模型在未佔據的口袋空腔提出新骨架。結果是在維持同等計算資源的前提下，將需評估的化合物量壓縮約 90%，把虛擬命中率提升到 1–5% 的量級，HTS 批次也可砍半甚至更多。
• Hit 確認與可成藥性篩查（Hit Confirmation & Triage）
這裡要用二級體外測定、SPR/NMR 以及早期 ADMET（ 吸收、分佈、代謝、清除和毒性）測試確認 Hit 的真實性和可成藥性。傳統示範流程常在這一關淘汰 70% 以上假陽性化合物，成本高且週期長。AlphaFold 3 重新計算每個 Hit 的結合構象，預測側鏈重排、溶解度和代謝位點，並與實驗對接資料比對，可在進溼實驗前剔除約三分之一的假陽性；結合 ML-ADMET 先驗還能過濾掉近一半的 PAINS 結構，從而把確認週期縮短數週。
• Hit-to-Lead 最佳化
目標是在幾十個優質 Hit 中提升活性、選擇性並改善 ADMET。傳統 SAR 依賴化學家逐輪合成與測試，每輪往往要 2–4 周。AlphaFold 3 與生成式模型形成“設計-預測-篩選”閉環：演算法在多目標約束下自動提出取代基/骨架改造，隨後即時驗證新分子的結合模式；這使得一次迭代從“周級”壓縮到“日級”，迭代輪次通常減少一半，專案記錄顯示平均能把活性峰值提高 1–2 個數量級。
• Lead 最佳化與候選藥物確立（Lead Optimization → Pre-candidate）
最終留下的 1–3 條化合物系列會被推向體內藥效與安全性模型（齧齒動物、大型動物）。傳統流程需多輪體內藥代、毒理和工藝可行性評估，失敗往往發生在花費巨大的後期。AlphaFold 3 持續追蹤骨架微調對結合模式的影響，並與 PBPK 與毒性預測模型聯用，提前剔除可能引發 hERG 阻滯或 CYP450 抑制的結構；同時在自動 retrosynthesis 平臺上同步輸出可放大的合成路徑。實踐中，因毒性或工藝問題導致的後期“翻車”率降低 20% 左右，動物實驗批次數量也相應下降。當單一化合物在體內外資料均達到專案門檻，即轉入前臨床 IND 申報流程。
將上述子階段貫穿起來，AlphaFold 3 的“高精度複合體預測 + 生成式分子提案 + 實驗反饋閉環”可在藥物發現全程提供三大價值：
• 第一，提前淘汰不可結合或難以最佳化的靶點；
• 第二，在 Hit 生成與 Hit-to-Lead 迭代中顯著降低無效合成與篩選次數；
• 第三，把 ADMET 風險前置到早期，透過多目標最佳化減少後期毒性失敗
對大型藥企而言，這一套流程可把發現階段的成本削減 30–40%，時間壓縮 12–24 個月；對初創公司而言，則意味著更短的里程碑交付週期和更低的資金消耗。
03.
競爭格局
AIDD 工作流視角
滑動檢視完整表格
藥物發現階段
Isomorphic
Labs
Chai
Cradle
Profluent
Bioptimus
Xaira
Evolutionary Scale
Generate Bio
靶點發現
❌
⚠️
❌
❌
⚠️
✅
⚠️
❌
靶點驗證
✅
✅
⚠️
✅
⚠️
✅
⚠️
❌
命中物篩選
✅
✅
✅
⚠️
⚠️
✅
⚠️
✅
先導化合物最佳化
✅
✅
✅
⚠️
❌
✅
⚠️
✅
候選藥物確定
✅
❌
⚠️
⚠️
❌
❌
❌
✅
臨床前 / 臨床階段
❌
❌
❌
❌
❌
❌
❌
✅
✅：已有穩定能力，且有落地案例/客戶使用
⚠️：能力構建中或存在爭議，部分專家提及但未穩定落地
❌：未涉及或明確表示不涉及該階段
• Isomorphic Labs 與 Xaira 均旨在構建從蛋白結構建模、靶點評估到小分子/蛋白生成的“端到端藥物發現平臺”。
Isomorphic Labs 的發力點是將 AlphaFold-3 級別的結構預測結果轉化為下游小分子建模輸入，在此基礎上，構建統一的“蛋白+小分子”表示空間，並據此實現逆向分子設計。
Xaira Therapeutics 強調以實驗資料監督大模型構建，並覆蓋從蛋白目標篩選、結合位點預測，到 binder 生成與最佳化的一整套流程。其不同於 Isomorphic 的點在於：Xaira 明確提出將 wet-lab、結構建模與分子生成一體化，強化“生成-打分-實驗”閉環能力 。
• 主打蛋白序列層面的設計與最佳化：Cradle Bio、Profluent Bio。
Cradle Bio 採用 SaaS 平臺模式，支援客戶上傳表達/穩定性/活性等多目標實驗資料，透過其模型進行多輪蛋白序列最佳化與結構預測。其能力定位於 Biologics 流程中的 developability 最佳化，平臺可適配高通量構建與實驗迭代，已獲得多家大藥企客戶實際使用 。
Profluent Bio 聚焦蛋白語言模型（PLM）訓練與序列生成，強調從頭構建 “de novo” 功能蛋白。其主要應用方向包括酶、工具蛋白與合成蛋白設計，尚未在主流藥物靶標或候選開發中形成系統閉環，當前仍偏研究工具型平臺 。
• 聚焦於開發 foundation mdoel，從資料表徵切入藥物發現：Bioptimus、EvolutionaryScale
Bioptimus 的模型聚焦於蛋白、DNA、RNA 與表型等多模態生物學資料的聯合 embedding，旨在構建通用表徵層以支援下游任務。專家普遍認為其當前階段尚未明確對接到真實 drug discovery 流程，但被部分 pharma 視為生物建模工具。
EvolutionaryScale 則尚未公開產品路徑，專家普遍僅提及其聚焦於訓練大規模蛋白語言模型，其是否用於具體靶點驗證或候選生成仍無明確案例。
• Chai Discovery 聚焦於結構預測與蛋白工程環節之間的連線點，強調“模型預測+高通量表達驗證”的技術閉環。
其平臺主要作用在 Biologics 開發前中段，尤其適用於“表達困難”或“多結構構象”的蛋白最佳化流程。具體而言，Chai 提供高通量表達系統、穩定性評估與功能預測打分，用於輔助抗體、酶等複雜蛋白的 early-stage engineering。
多位專家提到其團隊“科學背景紮實”，技術路徑聚焦明確，但目前仍處早期，未覆蓋靶點評估與候選藥物生成任務。
與 Cradle 相比，Chai 的模型規模與演算法體系尚不突出，優勢更多在於將結構預測與實驗篩選結合的實際效率，客戶使用主要集中在 early validation & expression optimization 階段。
• Generate: Biomedicines 是當前 AIDD 領域最接近傳統 Biotech 的公司之一，已具備完整候選藥物生成與推進能力。
其平臺核心在於 “生成式抗體設計” 能力，結合序列-結構雙向建模網路與實驗高通量測試，實現從靶點定義、候選序列生成、表達驗證、動物實驗直至臨床前一體化流程。
與多數 AIDD 團隊不同，Generate 已建立穩定的自有管線，涵蓋腫瘤、自身免疫、感染性疾病等多個方向，並在 2024 年進入臨床前 IND 準備階段，顯示其在“分子生成 → 候選遞交”環節上的實際推進能力。
專家普遍將其視為“第一批有望證明 AIDD 臨床價值的企業之一”，並指出其最大優勢是“平臺廣度 + 實驗執行力”並重，不止於模型演算法本身 。
商業模式視角
滑動檢視完整表格
公司名稱
商業模式
定位
商業交付形式
是否自
研管線
是否已有
臨床候選
（IND）
是否有
Wet Lab
Isomorphic Labs
聯合開發
專案制
❌
❌
❌
Chai
聯合開發
平臺
❌
❌
❌
Cradle
SaaS
工具型
單點工具
❌
❌
❌
Profluent Bio
模型研發+工具輸出
單點工具（模型開源/授權）
❌
❌
✅，但主要依賴合作伙伴，自己做少量驗證
Bioptimus
基礎
模型平臺
單點工具
❌
❌
❌
Xaira
平臺 + 聯合開發
專案制 + 平臺
✅
❌
✅
Evolutionary
Scale
基礎研究型工具平臺
單點工具（語言模型開源）
❌
❌
❌
Generate
Biomedicines
自研資產 + 聯合開發
專案制
✅
✅
✅
注：根據公開資訊整理
AlphaFold 類模型的下一步里程碑，會是在一個真正很難的靶點上證明自己的模型效果。因此諾華在合作 PR 稿中特別強調了給他們合作的靶點難度很大。從藥企的角度看，AlphaFold 已經可以給出實驗級座標，但它究竟能否回答“如何合成、如何放大、如何滿足 ADMET 約束”等深層問題，還需要一個以溼實驗為閉環的“端到端產品”來驗證。
Isomorphic Labs 最 AI-native 的競爭對手是 Chai Discovery，兩者的競爭最能體現 AIDD 公司在“深度合作”與“場景輕量化”之間的分水嶺。Isomorphic 以 AlphaFold 3 的複合體預測與生成式分子設計為核心，深度嵌入藥企的 Hit-to-Lead 環節，與禮來、諾華簽訂的是里程碑式專案合同；Chai Discovery 的方向則是把 AI 工作流整合進生物實驗室本身，強調透過自動化平臺降低實驗人員對 AI 模型的門檻。
在解決同類問題時，Cradle Bio 走的是 SaaS 化路線。其 CREDO 平臺以 developability 評估與序列生成為核心，為研發團隊提供按月訂閱的 API 服務，客單價僅十幾萬美元。相較專案制公司，Cradle 的產品使用頻次更高、上手成本更低，在具備內部實驗能力的客戶群體中滲透速度最快。
EvolutionaryScale 目前更像是“技術研究型公司”，其定位在於開源基礎模型（如 ESMFold、ESM2 等），其策略傾向於模型影響力和生態傳播，而非形成特定商業化路徑或藥物發現閉環。
Xaira Therapeutics 是當前最有可能落地 “full-stack AI+wet lab” 閉環的初創之一。其技術棧不僅包括蛋白建模與生物結構生成，還透過內部實驗驗證系統反哺設計環節，形成閉環式藥物發現流程。
Profluent 的商業路徑更接近“模型工具輸出型”：其在蛋白語言模型上的開源工作（如 ProGen、OpenFold）獲得廣泛引用，但未明確形成與藥企共研或內部推進管線的路徑，當前核心在於模型 license 與社群生態影響力。
04.
團隊
Isomorphic Labs 當前團隊規模約 200 人，核心成員可以分為幾個主要方向：約 40% 來自計算科學和人工智慧領域，負責模型研發、演算法除錯和推理框架搭建；約 20% 擁有結構生物學和計算生物背景，主要參與結構預測、複合體建模和分子篩選；約 15% 專注藥物化學與分子設計，負責模型輸出轉化為可合成的化合物並開展前期最佳化方案；還有大約 10% 的工程團隊搭建資料平臺和雲基礎設施，保障實驗驗證流程和資料追蹤效率；臨床轉化醫學團隊約佔 5%，目前由 Ben Wolf 帶領，主要評估候選分子的臨床轉化價值；剩下的 10% 則為公司運營、人力、法務和專案管理等職能團隊，保障整體專案按里程碑推進。
團隊構成與 DeepMind 基因高度一致。創始人 Demis Hassabis 延續了 AlphaFold 團隊的技術路徑與科學方法；總裁 Colin Murdoch 曾主導 AlphaFold 的商業化落地；CSO Miles Congreve 來自 Astex、Heptares，是資深藥物化學家，長期主導結構驅動的先導物最佳化與臨床推進；CTO Sergei Yakneen 曾在 EMBL、SOPHiA GENETICS 等機構主導大規模資料平臺系統建設；首席 AI 科學家 Max Jaderberg 來自 AlphaStar 團隊，擅長複雜系統與大模型最佳化；CMO Ben Wolf 來自 Genentech 與 Blueprint，長期推進腫瘤靶點藥物的臨床轉化。這是一支以 DeepMind 技術班底為核心，結合傳統生物藥研發經驗的跨界團隊。
這種團隊配置決定了公司的組織方式明顯不同於傳統藥企：模型、分子、實驗、資料工程通常混編在一個專案組中推進迭代；多位受訪人提到，Isomorphic 在內部高度強調“產品化的資料生成能力”——即讓結構預測結果可以直接對接到分子最佳化與後續實驗設計，而不是停留在建模本身。從整體看，Isomorphic Labs 的人才結構是一種“從模型向藥物推進”的組織雛形：它不像典型生物技術公司那樣先定義靶點再做建模，也不是典型 AI 公司只做演算法封裝，而是在嘗試構建一種可打通藥物結構建模與生成路徑的中臺式團隊架構。這種組織形式是否能支撐未來更大規模的平臺化服務，是接下來一條核心觀察線索。
Leadership 背景一覽
Demis Hassabis（Founder & CEO）：生於倫敦，本科就讀劍橋大學計算機科學系，後在 UCL 攻讀認知神經科學博士並於 2012 年完成學位。2010 年，他共同創辦 DeepMind 並一直擔任執行長，領導團隊推出 AlphaGo、AlphaFold 等具有廣泛影響力的研究成果。2021 年，Hassabis 在 Alphabet 體系內孵化併成立 Isomorphic Labs，繼續兼任 CEO，負責總體技術路線、研究方向以及與 Google 基礎設施的協同。他曾於 2018 年獲頒大英帝國司令勳章（CBE），並多次入選《自然》《時代》等評選的年度人物。
Colin Murdoch（President）：曾長期擔任 Google DeepMind 首席商務官，牽頭將 AlphaFold 從開放研究轉化為可在製藥行業落地的商業服務，主導了與 Eli Lilly、Novartis 等多家藥企的數十億美元合作協議。2021 年，他與 Hassabis 共同籌劃 Isomorphic Labs，並於創立初期出任公司總裁，負責運營管理、商業化策略和客戶交付。公開資料顯示，他擁有工程和管理背景，並在 DeepMind 早期即負責商務與夥伴關係事務。Murdoch 的優勢在於跨職能團隊管理、協議談判和規模化商業模式設計。
Miles Congreve （CSO）：畢業於萊斯特大學生物化學專業，隨後在劍橋大學獲得合成化學博士學位，研究方向為結構指導的受體-配體設計。此前，他在 Astex Pharmaceuticals 與 Sosei Heptares 領導藥物化學團隊，參與或主導二十餘個候選化合物推進至臨床階段，並被列為乳腺癌藥物 Kisqali®（ribociclib）的共同發明人。2024 年加入 Isomorphic Labs 擔任 CSO，負責靶點優選、分子設計策略以及與合作藥企的科研對接。
Max Jaderberg （CAIO）：以一等榮譽畢業於牛津大學工程科學專業，並在帝國理工學院完成計算機視覺方向博士學位，研究強化學習與生成模型。其創辦的 Vision Factory 公司被 Google 收購後，他成為 DeepMind 的資深研究員，先後推動 AlphaStar、Population-Based Training 等專案落地。2025 年初，他加入 Isomorphic Labs 出任 CAIO，著手構建統一的 AI 藥物生成平臺，將強化學習、擴散模型和多模態生物資料整合到候選分子的生成與迭代流程中。
Sergei Yakneen （CTO）：在多倫多大學獲得計算機科學與數學雙學位，並在海德堡大學完成分散式系統博士研究，專長於高效能計算和大規模資料管線。他曾任 SOPHiA GENETICS CTO，建設並運營覆蓋全球 70 多國的 AI 診斷平臺，後在 Amazon Web Services 和 EMBL（歐洲分子生物學實驗室） 擔任架構師，主導生物資訊學管線的雲原生改造。2025 年中，他受邀加盟 Isomorphic Labs 擔任首席技術官，負責公司底層算力與資料基礎設施規劃，推動 Kubernetes、高通量儲存和安全合規，實現從模型訓練到實驗分析的自動化流水線。
Beverley Mallon （CPO）：擁有人力資源管理碩士學位，是英國特許人事與發展協會（CIPD）認證會員，曾在 DeepMind 首任 People Director，構建了支援實驗室科學家與工程師協同的高效組織文化與人才發展體系。她推動實施跨職能培訓、績效管理和心理健康支援專案，使團隊在快速擴張中保持創造力與信任基礎。作為 Isomorphic Labs 的首席人才官，她自創立之初便加入，帶領人才招募、組織設計和文化整合，以確保 AI 科研與藥化團隊在混合型專案中實現高效協作。
Ben Wolf （CMO）：擁有耶魯大學醫學博士和腫瘤學博士學位，是一名兼具臨床與科研背景的精準醫學專家。他早年在 Genentech 和 Amgen 擔任臨床研究員，後在 Relay Therapeutics 出任首席醫學官，領導小分子抗癌藥物多項 Ⅰ/Ⅱ 期臨床試驗；隨後他在 KSQ Therapeutics 推進 CRISPR 免疫療法候選管線，又在 Blueprint Medicines 負責精準抑制劑的註冊申報與安全評估。鑑於他對藥物從臨床前到臨床開發各環節的全週期把控經驗，Isomorphic Labs 於 2025 年 6 月任命其為首席醫學官，負責制定公司全球臨床策略、搭建美國東海岸臨床團隊，並與哈佛、麻省總醫院等頂級機構聯手推進 AI 驅動候選分子的臨床試驗。
此外，公司還組建了一個豪華的科學顧問委員會，囊括四位諾貝爾獎得主—— CRISPR 基因編輯奠基人 Jennifer Doudna、非對映體有機催化開創者 Sir David MacMillan、細胞週期調控發現者 Sir Paul Nurse 以及核糖體結構研究先驅 Venki Ramakrishnan。憑藉在結構生物學、化學催化、分子生物學與科學倫理等領域的深厚造詣，他們將為公司在技術路線、資料使用和生物安全等關鍵議題上把關，並透過各自的學術與產業網路，為 Isomorphic Labs 引入頂級實驗資源與合作機會。
05.
融資與合作里程碑
成立前兩年，Isomorphic Labs 依靠 Alphabet 內部撥款運轉，並未對外融資。
2025 年 3 月，公司完成首輪外部融資，獲投 6 億美元。該輪由 Thrive Capital 領投，Google Ventures 參投，Alphabet 追加跟投。投資人對高估值的核心判斷在於：DeepMind 技術及 AlphaFold 3 的落地進展為公司提供可靠背書，同時也反映出資本市場對 AI 驅動藥物設計賽道頭部標的的確定性預期。
2024 年 1 月，公司與禮來和諾華分別簽署多靶點小分子研發合作。協議結構沿用生物醫藥 BD 邏輯，而非一次性軟體許可：禮來預付 4,500 萬美元、最高里程碑 17 億美元；諾華預付 3,750 萬美元、最高里程碑 12 億美元；兩項合作的總預付款約 8,250 萬美元，潛在里程碑總額近 29 億美元（不含未來銷售分成）。大型藥企以實質性預付款繫結專案，也意味著 Isomorphic Labs 必須真的推到候選化合物階段才能兌現後續價值，對技術有效性是一場直接檢驗。除公開的兩大專案外，我們透過行業訪談確認，已有多家跨國藥企與 Isomorphic Labs 展開付費合作試用其技術，提供真實專案和實驗資料，評估其在早期藥物篩選中的效用。這類合作既幫助 Isomorphic Labs 在實際場景中迭代模型、積累聲譽，也為其構建“資料—模型”正反饋飛輪奠定基礎。
06.
產品技術棧
技術基座：AlphaFold 3
AlphaFold 在模型架構上引入了 Diffusion 擴散模型，可以直接從氨基酸和配體分子序列出發，一次性輸出蛋白質、DNA/RNA、小分子的三維結構，讓這個結構與靶點的親和力盡可能高。與早期版本相比，AlphaFold 3 在多分子體系上的平均 RMSD 約 0.9 Å，關鍵類別的預測精度提升至少 50%，首次把跨分子互作問題帶入可程式設計、可擴充套件的計算範疇。
在藥物研發流程中，該模型最直接的價值體現在 Hit/Lead 發現階段。傳統做法常需要對大量化合物進行高通量篩選或依賴 Autodock Vina 等基於力場的模擬工具來預測配體-受體的結合模式，而 AlphaFold 3 可以在數小時內完成對數十萬小分子的複合體構象預測，並給出結合口袋原子級別座標，為後續能量打分、定量構效關係（QSAR）及結構最佳化提供更可信的初篩資訊。這替代了傳統分子對接（Docking）和打分函式的流程，以更高精度、更快速度篩選出潛在的先導化合物。這種“預測即對接”的思路顯著縮短了前期驗證週期，使篩選效率和精度同時躍升。
當模型預測到某些先導化合物與靶點結合尚有改進空間時，生成模型能夠在約束條件下自動提出新的分子 backbone。這種生成式最佳化可以理解為讓模型在“想象”理想的分子結構，然後再反推具體的化學序列，再由模型預測其三維構象和性質，以驗證設計是否滿足要求。透過多輪迭代，AI 有望自動產生具有更佳活性、選擇性或成藥性的新候選物。
雖然 Isomorphic Labs 目前主要聚焦於計算環節而不親自進行溼實驗，但是他們正努力打造一個計算-實驗閉環的架構：即數字模型產生假說→藥企實驗驗證→資料返回最佳化模型，不斷提高模型對於現實生物系統的擬合度。這種閉環思維體現在公司與藥企合作的模式中——透過真實專案累積的實驗資料來垂直整合模型和行業需求，從而形成正反饋迴圈。如果這一數字生物學閉環執行順暢，將有望把新藥早期篩選週期從數年壓縮到數月，並顯著降低試錯成本。
結構預測主流技術對比
當前結構預測主流方法已轉向單序列輸入、擴散生成為核心。
當前主流結構預測路線已從依賴多序列比對（MSA）逐步轉向單序列輸入 + Diffusion 生成。以 AlphaFold 3 與 Chai-2 為代表，這類方法完全取消 MSA 與模板搜尋，透過引入 Pairwise attention + Diffusion 模組直接建模氨基酸間空間關係，可在無同源資訊情況下預測高質量結構。其在任務效率與下游適用性上均顯著優於前代方法。
Diffusion 架構核心包括三部分：初始構象生成、互動建模、擴散最佳化。
這類模型通常包含三個模組：
1. 結構假設生成器（Structure Generator），對輸入序列生成多個可能的初始構象；
2. 互動建模模組（如 Pairformer），編碼氨基酸間的 pairwise 幾何關係；
3. 擴散最佳化器，對結構座標進行多輪迭代精煉，生成最終 3D 原子結構。
以 AlphaFold 3 為例，其結構由 48 層 Pairformer + 7 輪 Diffusion iteration 構成，完全擺脫了對 MSA 和模板庫的依賴，兼具精度與效率，在 PoseBusters 等評測中達到當前最高水平（0.902）。
Alphafold 3 的模型結構
結構生成路線已成為通用趨勢，Transformer 統一建模路線尚未形成效能突破。
除 Diffusion 架構外，也有部分工作（如 ESM-3、ESM Cambrian）嘗試以 Transformer 直接統一建模序列、結構與功能。該思路具備 scaling 潛力，但截至目前，即便是最大規模的 ESM3-98B，其在主流結構預測任務（如 CASP14）中的表現（TM-score = 0.763）仍顯著落後於 AlphaFold 3（TM-score = 0.902），說明其在結構精度與泛化性上尚未具備實質性突破。
Isomorphic Labs 公司目前沒有公開的產品，我們可以參考同路線 Chai Discovery 的產品路線進行觀察。
07.
展望與結語
當前 Isomorphic 採取的多專案合作模式，本質上屬於“平臺能力授權+定製合作”機制，核心收入來自於技術 license、里程碑付款以及一定比例的後續分成。這種模式的優勢在於：
• 不太多承擔臨床推進的重資產風險
• 能與多家藥企並行合作，增強模型的通用性與適應性
• 保持研發團隊的技術聚焦，用 AI-native 的方式打造新的製藥工作流
但同時這個模式的客戶數量有限，收入體量較強依賴個別頭部專案。商業變現的效率也與模型“真實貢獻度”強相關，無法快速驗證和複製。
總的來看，Isomorphic Labs 是一家驗證“從 AI 原理驗證 → 自建管線落地 → 商業化 license”新正規化的標杆公司。當前其估值的前提建立在 DeepMind 技術優勢和 GSK 等戰略資源基礎上，但中短期仍需面對從演算法到候選分子的“生物驗證斷層”問題，以及圍繞 wet lab、資料、合作者機制等核心能力的持續建設。如果它成功證明 AI Foundry 這一形式能持續產生可開發的分子、與藥企合作推進至臨床並實現變現，那麼其估值邏輯將不同於上一代 Biotech 公司或 pipeline 專案公司。
排版：夏悅涵
延伸閱讀