網際網路之父蒂姆·伯納斯·李曾評價他是“地球上最聰明的人”。
4歲學棋、7歲學習程式設計、16歲考入劍橋計算機科學系、22歲創辦遊戲公司、而立之年迴歸學術攻讀認知神經科學博士學位，而後創辦DeepMind，開發AI程式AlphaGo擊敗圍棋世界冠軍、研發AlphaFold破解蛋白質結構預測難題並榮獲2024年諾貝爾化學獎，成為世界AI領域第一人。
Demis Hassabis 圖源Isomorphic Labs官網
對於Demis Hassabis而言，他的人生經歷豐富且成果顯著。2021年，他將視線轉向醫藥研發領域，創立了Isomorphic Labs，這是一家專注AI藥物研發的初創公司，依託AlphaFold的技術成果建立。Hassabis希望透過人工智慧改進藥物研發流程，推動生物醫學領域的發展。
自創立以來，Isomorphic Labs開發出多個新一代AI模型，這些模型共同構成統一的AI藥物設計引擎，可應用於多個治療領域和藥物模式。近期，Isomorphic Labs宣佈獲得6億美元融資，由Thrive Capital領投，GV和Alphabet參投，將用於進一步開發其下一代AI藥物設計引擎，並推動治療方案進入臨床階段。
01
從AlphaGo，到AlphaFold，再到AI藥物設計引擎
Demis Hassabis的AI逐夢之旅源於孩童時期。
早年接觸並學習圍棋的經歷培養了他的策略思考能力，也為其日後在AI領域的深耕奠定獨特思維基礎。在劍橋大學計算機科學專業求學期間，Hassabis系統學習理論知識。畢業後短暫投身遊戲行業，開發AI模擬遊戲。這段實踐經歷讓他深刻認識到人工智慧在模擬人類學習能力上的潛力，也堅定了他創造能“自主學習”AI的想法。
2010年，Hassabis創立DeepMind，開啟了將想法轉化為現實的征程。2016年，DeepMind開發的AlphaGo以4:1擊敗圍棋世界冠軍李世石，這場人機對弈的勝利，不僅是技術的突破，更讓全球看到AI在複雜策略領域的無限可能。在Hassabis看來，AlphaGo並非人們認為的“機器”：“就好像和人類一起探索宇宙的哈勃望遠鏡一樣，AlphaGo是和我們一起探索圍棋的哈勃”。
此後，Hassabis帶領團隊將目光投向醫療領域。基於與英國全國醫療系統合作獲取的資料，DeepMind推出DeepMind Health智慧醫療系統，為診療和症狀判斷提供AI輔助。
2018年，AlphaFold在被譽為“蛋白質結構預測奧運會”的CASP（Critical Assessment of Structure Prediction）比賽中，力壓97個參賽者奪冠，成功根據基因序列預測蛋白質的3D結構。這項成果不僅解決了困擾生物學界半個世紀的難題，為醫療領域變革和新藥物研發奠定理論基礎，也讓Hassabis團隊在2024年榮獲諾貝爾化學獎。
Hassabis團隊在2024年榮獲諾貝爾化學獎
憑藉AlphaFold的技術積累，2021年，Isomorphic Labs宣佈成立。作為從谷歌DeepMind剝離出來的子公司，它承載著Hassabis利用人工智慧變革藥物研發的新目標。
Isomorphic Labs首席AI官Max Jaderberg在訪談中談到，藥物研發的本質是在近乎無限的分子空間（科學家估算約有10^60種可能性，遠超宇宙原子數量）中尋找最優解。Isomorphic Labs的目標，正是打造一套AI藥物設計系統，利用AI技術更高效地篩選和設計藥物分子。
2024年以來，Isomorphic Labs迎來多個關鍵發展節點：
1月，公司與諾華、禮來達成戰略合作，分別獲得3750萬美元與4500萬美元的預付款，用於共同開展AI輔助藥物研發。其中，與諾華的初始合作聚焦於針對三個高難度靶點的小分子療法發現，而與禮來的合作則圍繞多個未公開靶點展開小分子藥物研發。
5月，lsomorphic Labs與谷歌DeepMind聯合釋出AlphaFold 3，該模型不僅能預測蛋白質摺疊，還可精準解析藥物中常見分子的相互作用，大幅提升藥物研發效率。
2025年2月，諾華宣佈擴大與Isomorphic Labs的合作範圍，在原有三個靶點基礎上新增最多三個研究專案。諾華生物醫學研究總裁Fiona Marshall提到，過去一年Isomorphic Labs的AI技術已幫助探索了傳統方法無法觸及的新化學空間，未來雙方將繼續聚焦高難度靶點，滿足臨床未被滿足的患者需求。
目前，Isomorphic Labs以統一的AI藥物設計引擎為核心，持續開發新型預測和生成式AI模型，聚焦腫瘤學和免疫學領域，透過分析生物資料探勘藥物候選分子，為全球患者帶來創新治療方案。
02
高精度分子預測能力，覆蓋全類別生物領域
在生命科學研究領域，蛋白質結構解析是理解生命活動分子機制的關鍵環節，能夠為藥物設計提供關鍵依據。過去，蛋白質結構解析主要依靠如X射線晶體學、核磁共振、冷凍電子顯微鏡等實驗方法，這些方法雖然能夠提供高精度的蛋白質結構資訊，但通常需要花費大量的時間和精力，存在一定侷限性。
2020年，AlphaFold 2運用深度學習演算法實現重大突破，僅透過蛋白質的氨基酸序列就能準確預測三維結構，為後續研究提供了關鍵技術支撐。自發布以來，AlphaFold 2在全球科研領域得到廣泛應用，數百萬科研人員將其運用於瘧疾疫苗研發、癌症靶向治療探索、工業酶最佳化設計等多個方向，還榮獲了生命科學突破獎等多項權威榮譽。
2024年推出的AlphaFold 3實現了技術的進一步跨越：
Evoformer核心模組的改進。Evoformer是一種基於深度學習的架構，靈感來源於自然語言處理中的Transformer模型（類似ChatGPT的核心架構）。它能夠高效處理輸入的分子資訊，透過對序列資料的深度分析，捕捉分子之間複雜的進化關係和相互作用模式。
擴散網路生成分子3D結構。AlphaFold 3在完成序列資料處理後，透過擴散網路生成分子結構。這一過程類似於AI影像生成技術，從模糊的原子雲狀態開始，模型經過數百次甚至上千次的迭代最佳化，不斷調整原子的位置和相互關係，逐步收斂到一個能量最低、最符合物理規律的精確3D結構。
從單一蛋白質到全類別生物分子。相較於AlphaFold 2僅專注於蛋白質結構預測，AlphaFold 3實現了跨分子型別預測，其範圍覆蓋DNA、RNA、配體等全類別生物分子。生物體內的功能通常由多種分子協同完成，如基因表達需要DNA、RNA、蛋白質共同參與，AlphaFold 3實現了對細胞內更多種類的生物分子進行結構和相互作用的分析，為全面理解生物系統的複雜性提供了更為強大的工具。
分子相互作用預測精度突破。在蛋白質與其他分子相互作用預測精度上，AlphaFold 3較傳統方法提升至少50%，部分關鍵場景下精度翻倍。這使得科學家能夠更準確地瞭解生物分子之間的相互作用方式，對於藥物設計、理解疾病機制等領域具有重要意義，因為精確的分子相互作用資訊是開發有效藥物和深入研究疾病發生髮展過程的關鍵。
AlphaFold 3準確預測生物分子複合物的結構
如果說AlphaFold 3是AI製藥領域的基礎科學突破，那麼Isomorphic Labs的AI藥物設計引擎則是這一突破的產業應用案例。其引擎正是以AlphaFold 3為核心技術支撐，融合擴散模型、多工強化學習框架等多種前沿AI技術，形成的有機協同的整體架構。
其中，擴散模型能依據已知的分子結構來生成具有潛在活性的分子，透過對已有分子結構的分析和變換，創造出可能具有藥用價值的新分子，豐富候選藥物庫；多工強化學習框架則根據藥物研發需求，動態最佳化模型引數，實現從分子結構預測、生成到最佳化設計的完整技術鏈條。
傳統的藥物研發過程中，篩選候選藥物分子是一項耗時耗力的工作，往往需要進行大量的實驗和計算，耗費數年甚至數十年的時間。而Isomorphic Labs的AI藥物設計引擎藉助AI技術，能夠在短時間內處理海量的生物資料，透過智慧演算法快速識別具有潛力的藥物候選分子，從過去的平均5～10年降至1～2年甚至更短，在藥物研發效率上實現質的飛躍。
目前，引擎在藥物研發中展現出三大核心優勢：
技術層面，憑藉AlphaFold 3的高精度分子預測能力，能預測所有生命分子的結構和相互作用，以此準確解析藥物與靶點的結合模式，為藥物設計提供更精準的分子結構資訊，使研發人員能夠基於對分子機制的深入理解設計藥物，顯著提升藥物設計成功率。
效率層面，引擎替代了人工實驗和資料處理，能高效識別有潛力的藥物候選分子，以此縮短藥物發現的週期，降低研發成本，加速創新藥物的推出，為患者更快地提供有效治療方案。
應用層面，傳統藥物研發受限於技術瓶頸，對疾病領域和藥物型別往往有限制，而引擎因相容全類別生物分子，可同時探索腫瘤、免疫病、罕見病等多個領域，以及小分子、生物製劑等多種藥物形式，還對配體結合、複合體穩定性等藥物設計關鍵維度具備強預測力，極大拓展了藥物研發的邊界。
03
6億融資，只是一個開端
近年來，在生物製藥領域，AI 技術正發揮著越來越重要的作用。
《2025年AI製藥市場分析及未來發展趨勢報告》顯示，2025年全球AI製藥市場規模預計達200億美元，年複合增長率超30%。在AI製藥領域，全球範圍內已有超過百家初創公司和大型製藥企業投入大量資源進行研發。
在Max Jaderberg看來，未來十年將是藥物研發的變革期。隨著AI技術發展，生物學領域正迎來“GPT-3時刻”——AI模型將從被動模擬轉向主動創造，催生具備自主探索能力的“科學智慧體”，而AI+蛋白質作為醫藥的主要分支，隨著靶向藥物、合成生物學的流行而越來越受到重視。
以AlphaFold 3為代表，動態結構模擬技術已開啟新的研發維度——藥物設計不再侷限於靜態分子結構，而是聚焦蛋白質在溶液中的真實運動狀態及其與藥物的相互作用，這將顯著提升候選藥物的有效性。
隨著技術突破，大量蛋白質預測資料庫與設計工具正在被利用。谷歌主導的結構資料庫公開約2億個蛋白質結構模型，Meta的esm-fold軟體免費提供超6億個蛋白質三維結構資料。在設計工具方面，RoseTTA Fold、AlphaFold 3及國際蛋白質資料庫PDB的全新服務，均為相關研究提供助力。
同時，在藥物發現方面，AI的應用已經取得了顯著成果。例如，斯坦福醫學院與麥克馬斯特大學研究人員開發SyntheMol模型，併成功設計出能抑制超級細菌鮑曼不動桿菌的分子；英矽智慧則利用自研AI平臺，成功識別罕見肺部疾病的全新藥物靶點，整合多源資料探勘疾病分子關聯，為新藥研發開闢新路徑。
然而，AI製藥的發展仍面臨諸多挑戰。技術突破雖帶來希望，但實際落地仍需跨越資料、監管、行業協作等多重障礙。但不可否認的是，AI正在從醫藥研發的輔助工具轉變為重要驅動力。
目前，AI 技術已幾乎覆蓋從藥物靶點發現到臨床研究的全鏈條環節，隨著技術的深入應用，人類快速研發各類新藥、攻克疑難疾病的願景正逐漸接近現實，而Isomorphic Labs正站在這場變革的前沿。
如果您想對接文章中提到的專案，或您的專案想被動脈網報道，或者釋出融資新聞，請與我們聯絡；也可加入動脈網行業社群，結交更多志同道合的好友。
近
期
推
薦