AI资讯

Geodesic 发布 NovaAtom-Lite,报告全原子结构预测结果

作者:Aeneas 所罗门0 次浏览 来源:新智元
Geodesic 发布 NovaAtom-Lite,报告全原子结构预测结果

团队在抗体抗原与蛋白配体基准中报告进展,并测试提示和多候选采样;结构预测成绩不等于药物获批或治愈疾病时间表。

编辑更正(2026年11月16日)结构预测与药物研发、临床验证及疾病治愈不是同一指标。四年为研发愿景,不能表述为治愈癌症期限;本文基准由团队按模型卡报告,部分基线样本数和推理预算不同。 每种子包含5个样本,正式主图单次结果与采样曲线平均值也应区分。

最近,Anthropic的CEO Dario Amodei 说了一句话:

关于AI加快生物学研究的时间表属于公开展望,并非已验证的疾病攻克期限;癌症、阿尔茨海默病和心脏病也各包含不同类型与临床路径。

这话说得够狠,但很多人觉得,也就听听。

文中转述的四年目标涉及缩短药物研发周期,不能改写成在四年内治愈癌症或保证任何特定药物获批。

文章配图

11月10日,他创立仅5个月的公司 Geodesic Intelligence,发布了全原子结构预测模型NovaAtom-Lite。

在全球最严苛的生物分子预测基准测试 FoldBench上,NovaAtom-Lite直接把谷歌 DeepMind 旗下Isomorphic Labs 的王牌模型 IsoDDE 拉下了马。

在一系列生物制药基准测试中屠榜,获得多项TOP 1!

文章配图

Model card链接:https://www.geodesiclab.com/news/introducing-novaatom-lite

15个人的创业公司,几百张GPU,5个月。对面是累计融资27亿美元、正在以400亿到500亿美元估值谈新一轮融资的 Isomorphic Labs。

X上瞬间炸了。

有人感叹:「Dario Amodei 预测癌症10年内攻克,而 NovaAtom 的创始人说只要4年。」

文章配图

有人算账:「谷歌 DeepMind 剥离出 Isomorphic,烧了几十亿美金,估值谈到400亿以上。结果一个UCLA教授带着15个人的创业公司,5个月就超了。」

而且,这不是顾全全第一次干这种事。他之前在字节跳动带队做出了 SeedFold——世界上第一个在 FoldBench 上超越 AlphaFold 3 的模型。

正是 SeedFold 的横空出世,逼得 Isomorphic Labs 不得不祭出 IsoDDE,重新夺回结构预测的王座。而这次,NovaAtom-Lite 又把 IsoDDE 拉下马,王座再次易主。

更狠的是,根据顾全全在 X 上透露的信息,NovaAtom-Lite 只是开胃菜,后面还有更大更强的NovaAtom-Pro蓄势待发。

也就是说,就算 Isomorphic Labs 近期再放出更强的模型试图反扑,迎接它的可能是 NovaAtom-Pro 的又一次击穿。

这场结构预测的王座之争,顾全全已经连赢两局,而第三局的底牌他还攥在手里。

这次发布提供了结构预测方面的实验结果,尚不足以更新人类治愈特定疾病的确定时间表。

文章配图

生物界已经迎来了它的「HBM爆发时刻」,投资人这样感慨

NovaAtom-Lite 到底在干什么?

为什么药那么难做?

分子结合与结构是理解许多药物机制的重要部分,但药效还涉及暴露、选择性、体内代谢和安全性等多方面,不能仅由结合姿态决定。

抗体要咬住抗原,小分子药物要塞进蛋白质的口袋里。

这个「咬合」发生在原子尺度——埃(Å)级别,一埃等于一百亿分之一米。

预测结构误差可能影响后续分析,但不能将坐标稍有偏差与药物必然无效直接画等号。

传统方法靠湿实验一个一个试,平均一款新药从实验室到上市要13年、烧掉近20亿美元,成功率不到5%。AI的价值就在于:在计算机里先把这个「咬合」模拟出来,大幅缩短试错周期。

这正是 NovaAtom-Lite 干的事——

输入蛋白质、DNA、RNA的序列以及小分子配体的信息,它就能预测出整个复合物中每一个重原子(氢以外的原子)的三维空间坐标。

模型输出重原子级坐标及置信度,这是预测分辨率,不代表每个原子的位置都已被实验精确确定。

而且,它不是一个「死板」的计算器。

NovaAtom-Lite 加入了一套极具工程价值的「条件约束与提示」功能。

模型卡区分两类输入:环状及共价键属于输入结构约束;接触残基和结合口袋属于模型权衡的提示,不能全部笼统称作软参考。

输出的也不只是一组坐标。

模型同时返回局部结构置信度 pLDDT、残基间预期误差 PAE,以及界面可靠性指标 ipTM——简单说,它不仅给你答案,还告诉你「这个答案我有多大把握」。

两记重拳:79.07% 和 77.06%

评价一个结构预测模型有多强,制药界有两块最核心的试金石:抗体-抗原结合预测和蛋白质-配体结合预测。

前者是大分子药物(比如抗癌抗体)的核心——你得知道抗体是怎么精准「锁住」靶点的;后者是小分子靶向药的命门——药物分子得准确塞进蛋白质的结合口袋里。

两个方向,一个比一个难。

FoldBench使用训练截止日期之后、并按相似性筛选的结构,帮助减少数据污染。日期切分本身不能杜绝所有泄漏、同源相似或评测适配风险;不同基线可评估样本数也有差异。

第一拳:抗体-抗原。FoldBench 收录了172个抗体-抗原结合界面。

评判标准用的是 DockQ 分数(可以理解为预测的结合姿态和真实结构有多像,0.23 以上算预测成功,越高越好)。

文章配图

一个5个月大的公司,比 AlphaFold 3 高出31个百分点,比融资27亿美元的 Isomorphic Labs 高出3.5个百分点。

更夸张的是,如果把标准提高到 DockQ ≥ 0.80(要求极高精度的预测),NovaAtom-Lite 的成功率是 AlphaFold 3 的2.2倍。

第二拳:蛋白质-配体。这项测试覆盖558个结合界面,判定标准更苛刻:不仅要求小分子药物的预测位置与真实位置偏差小于2埃(配体 RMSD < 2 Å),还要求周围蛋白质的接触细节也高度吻合(LDDT-PLI > 0.8)。两个条件同时满足才算成功。

文章配图

两项核心指标,全部TOP 1。

它真的「懂」物理,还是只会背答案?

每次有模型刷榜,圈内第一反应都是:你是不是偷看答案了?

这个质疑完全合理。结构预测模型吃的训练数据就是已知的蛋白质结构库,如果模型只是把见过的东西背下来了,那跑分再高也没用:真到了药物研发前线,面对的全是从没见过的新分子。

业界有一个专治「死记硬背」的狠测试叫Runs N' Poses。它把测试样本按照与训练集的相似度分成8组,从「长得像」到「完全陌生」,一层层剥开模型的底裤。

在相似度最低的0-20%组(63个与训练集「毫无关系」的配体,相当于考试里那些完全超纲的题)各模型成绩如下:

AlphaFold 3 直接腰斩到24%,NovaAtom-Lite 依然稳在47.6%,几乎是前者的两倍。

而在相似度最高的80-100%组,两者差距反而缩小到91.0% vs 88.2%。

文章配图

这说明越是面对陌生的分子,NovaAtom-Lite 的领先优势越大。

低相似度样本中的表现支持继续研究泛化能力,但不能仅凭基准成绩证明模型完整掌握底层物理法则,或排除所有记忆效应。

给它更多时间思考,它就更聪明

推理时增加采样或计算预算有时能够提高选中好候选的机会,但并非所有任务、模型和预算下都单调提升,收益也依赖选择与排序方法。

大语言模型领域早已验证了这一点,而 NovaAtom-Lite 证明,这个规律在生物分子预测里同样成立。

在同一批172个抗体-抗原界面上,团队做了一组优雅的实验:

  • 1个随机种子:该设置下成功率为74.3%;随机种子数不等于仅生成1个候选,需与每个种子的采样预算一起阅读。
  • 5个随机种子:曲线的随机子集平均成功率为78.3%;正式主图所选单次运行的对应成绩为79.07%,两者统计口径不同。
  • 当前模型卡曲线表中,20个随机种子的平均成功率为81.2%;各点来自随机子集统计,应连同置信区间阅读。
  • 100个随机种子(深度推理):83.1%
  • Oracle 上限(事后用实验答案挑最优解):88.4%

从74.3%到83.1%,仅仅是增加采样数量,成功率就提升了近9个百分点。

文章配图

这意味着这套系统具有极强的「弹性」。

从这组采样预算得到的收益不能证明模型能力没有上限。追加计算仍需考虑收益递减、候选排序可靠性及后续实验验证,不能用计算结果替代临床判断。

这是极其令人兴奋的可扩展性。

给它一点提示,就能起飞

光靠自己猛算还不够。

真实的药物研发场景里,科学家手上往往已经有一些线索。比如知道抗体和抗原大概在哪个位置接触,或者小分子大概塞在蛋白质的哪个口袋里。

问题是:模型能不能「听懂」这些提示,并用好它们?

NovaAtom-Lite 的回答:不仅听得懂,而且效果炸裂。

在 FoldBench 的172个抗体-抗原界面上,不给任何提示时成功率是79.07%。只要给模型一个接触残基对(相当于告诉它这两个残基离得很近)成功率直接飙到91.28%,提升了12个百分点。

在另一个更大规模的抗体-抗原测试集 PXM-22to25-AB(383个聚类)上,这个提升更夸张:从66.05%一口气拉到88.82%,涨了将近23个百分点。

文章配图

更有意思的是蛋白质-配体方向。

在 Runs N' Poses 上,团队测了四种设置:无约束、一个接触对、四个口袋残基、完整口袋,层层递进。

提示对最难的样本帮助最大:在与训练集相似度最低的0-20%区间,给完整口袋提示能把成功率从47.6%拉到63.5%,提升近16个百分点;而在高相似度区间(60%以上),提升只有2到5个百分点。

文章配图

这些测试中部分接触或口袋提示帮助了预测,但提示是否准确、信息量及任务类型都会影响结果,不能保证增加任意提示均会更准。

两个「神级」案例:从分子套索到暗门破解

数字再漂亮,制药的人最终要看的是:你能不能解决真实世界里那些最棘手的结构难题?

案例一:给疯狂甩动的「分子套索」拍高清定格照

中东呼吸综合征(MERS)病毒是个凶残的对手。科学家找来了一种纳米抗体 VHH-T148 去对付它,这个抗体的核心武器是一条由22个氨基酸组成的 CDR-H3 长环。

想象一下,一条在三维空间里疯狂甩动的「软鞭」。它极度灵活,缺乏进化上的共变信号,预测难度极高。

这是结构预测领域公认的噩梦级难题。

结果,NovaAtom-Lite 生成了25个候选方案,全部命中。DockQ 达到0.839,CDR-H3 的预测误差仅为0.56 Å,覆盖了全部18个表位残基中的每一个。

0.56 Å大约是一个碳原子直径的三分之一,这是「分子级单反相机」的定格拍摄。

文章配图

案例二:让「锁着门」的癌症靶点自己把暗门打开

KRAS 是医药界出了名难搞的癌症靶点。

它表面光溜溜的,药物几乎无处下口。

有一类抑制剂能钻进 KRAS 上一个「隐藏口袋」(switch-II pocket)起效,但问题是这个口袋平时是锁着的。

也就是说,AI 不仅要算出药物小分子应该怎么放,还得凭空推测出蛋白质的构象变化——那扇门是怎么打开的。

在这个案例(结构编号 8UN5,KRAS G13D 突变体)中,OpenDDE 直接懵了,配体 RMSD 高达 17.74 Å——药物被扔到了十万八千里外。

而 NovaAtom-Lite 的配体 RMSD 仅为0.98 Å。

不仅如此,在全部25个样本中,switch-II 区域的预测与晶体结构仅差 0.4 到 0.6 Å,并重现了全部12个天然极性接触,没有任何配体原子与蛋白质发生空间冲突。

这是真正的分子级微雕。

文章配图

a16z 的「预言」:

制药业正在迎来它的 GPT-3 时刻

就在 NovaAtom-Lite 发布三天后,硅谷顶级风投 a16z 发布了一篇重磅研报——《大型制药企业,即将与大型软件分庭抗礼》(Big Pharma Can Rival Big Software)。

文章配图

这份报告有几个核心判断值得细品:

第一,AI 制药正式进入「GPT-3 时刻」。

a16z 的原话是:我们认为当前 Bio × AI 的市场成熟度已接近 GPT-3 水平。GPT-3那是通用AI从「能用」到「好用」的转折点。a16z 认为,类似的能力正在生物模型中涌现。

第二,药企未来将按「科技股」定价。

传统药企的估值逻辑是对已有药物组合做现金流折现,背后的药物研发引擎几乎不被资本认可。但如果 AI 让药物发现变得「高度可重复、可预测」,投资者就会愿意为药企的 AI 基础设施买单——就像他们为 SaaS 公司的平台付费一样。

这是估值逻辑的根本性重构。

第三,11月10日发布的 NovaAtom-Lite 已被 a16z 收录进了这份研报。

一个发布仅三天的模型就被顶级资本写进了行业报告里,反应速度本身就很说明问题。这是真的被注意到了。

更耐人寻味的是,在 a16z 报告的产业版图插图中,唯一被点名提到的公司就是 Geodesic Intelligence。

文章配图

报告将 AI 制药初创分为两类:一类是像 Isomorphic Labs、Recursion 这样自己下场做药的「垂直整合者」,承担高风险,博万亿美金上限;另一类是提供模型、工具和平台的「卖铲人」:实验室自动化、AI 智能体、分子设计引擎的供应商。

Geodesic 显然被归入了后一类中最尖端的那个位置。通过 Geodesic API 和 NovaDDE 平台,NovaAtom-Lite 的能力正在被开放给每一家药企和科研团队。

目前还不知道Geodesic Intelligence是否会下场做药,但从其模型展现出的竞争力来看,它显然有机会将边界从模型和工具供应商,进一步延伸至药物研发本身。

a16z 的判断不是空谈。产业端的数据已经在验证这个趋势。

GenScript(金斯瑞)的 AI 制药业务连续三个半年翻倍增长,Twist Bioscience 的 AI 药物发现订单更是三位数飙升。

大药企抢着签约。光 Isomorphic Labs 一家,诺华和礼来的合作协议加起来就将近30亿美元;Anthropic 自己开了湿实验室,OpenAI 直接收购了生物科技公司。

整个行业的底层逻辑正在被重写:AI 不再是制药的辅助工具,而是正在成为制药的基础设施。

最短路径

回到 Geodesic Intelligence 的故事。

顾全全是 UCLA 计算机科学系教授,在 AI for Science 领域声名在外。2026年6月,他创立了 Geodesic Intelligence,目标只有一句话:

构建 AGI,找到从生物学到药物的最短路径。

仅仅5个月后,带着15人的精锐团队,他交出了第一份答卷。

而这只是起点。官方已经明确表示,NovaAtom-Lite 是 NovaAtom 模型家族的第一个成员,更大、更强的模型已在路上。

Geodesic 的完整布局是一个三位一体的闭环:NovaAtom 负责结构预测,NovaDDE 负责科学推理与药物发现工作台,NovaLab 负责湿实验验证——

从提出生物学问题、计算分析分子结构,到实验验证候选物,一条龙打通。

这让人想起 a16z 在报告结尾写的那句话:更快、更低成本地研发药物,将是 AI 最具深远影响力的应用方向。

药物研发的时间加速器,真的来了。

文章来自于"新智元",作者 "Aeneas 所罗门"。

相关主题

读完之后

加入 AINRK 交流群

了解加入交流群的方式,与更多 AI 从业者交流。

查看交流群说明(在新窗口打开)