从单点突破到系统性验证：分子之心MMDesign实现94.7%项目成功率、六大GPCR靶点全获命中
让 AI 生成成千上万条蛋白质序列，已经不是 AI 生物药研发最值得炫耀的能力。更重要的问题是：真正送进实验室的分子能否足够少，成功的机会又能否足够高？
分子之心近日发布 AI 从头设计平台 MMDesign 最新技术报告，给出了一组颇具冲击力的答案：覆盖 18 个靶点、纳米抗体（VHH）和大环肽两类分子模态的 19 个设计项目中，18 个获得经实验确认的结合分子， 项目成功率达 94.7% ；每个项目 仅测试 9—50 个候选分子 ，中位数为 21 个。 更值得注意的是， 六个受测 GPCR 靶点全部获得命中 ，针对此前已成功获得命中分子的六个靶点开展新一轮设计，其中五个项目取得了优于前一轮的结果。
这组结果传递的信号，不是 AI 又一次 “设计出了分子”，而是从头设计正在从个别靶点的亮眼示范，向 少量实验验证、跨靶点、跨模态的可重复研发工作流 迈进。
每个项目只测几十个：AI 设计开始压缩实验筛选的规模
长期以来，抗体发现高度依赖动物免疫和大规模文库筛选，在数量庞大的候选中寻找具有结合能力的分子。
AI 从头设计尝试改变起点：研究人员指定目标蛋白和潜在结合位点，由 AI 直接生成新的分子序列。但从中精准选出有结合潜力、可进入实验验证的候选分子才是关键突破口。
MMDesign 采用 “生成 — 计算优选 — 实验验证” 的流程：先在计算空间探索大量序列，再结合结构可靠性、序列特征及物理评估等标准，将候选数量压缩到每个项目仅 9—50 个 —— 如同让 AI 先在计算机里完成分子 “海选”，再把优选选手送进实验室 “复试”。
报告汇总的 19 个设计项目中，18 个获得命中候选，成功率 94.7%；453 个受测候选中，有 139 个获得确认结合，合并候选命中率约 30.7%；15 个项目至少得到两个结合分子，为后续筛选优化保留了选择余地。
验证结果汇总 
这里有两个不同但都重要的指标：94.7% 衡量的是 “一个项目能否找到至少一个结合分子”，30.7% 衡量的是 “受测候选中有多少真正命中”。两者共同表明，MMDesign 不只是扩大计算端的生成规模，更尝试把实验室需要验证的范围压缩到几十个分子，并能获得成功结合的分子进入后续研发流程。
对制药研发而言，潜在价值十分直接：如果计算端能够更早排除大量低价值候选，实验资源便可以更多集中于有希望的设计。
六个 GPCR 全部命中：把难靶点能力摆到台前
如果说 94.7% 的项目成功率展示了效率，GPCR 系列结果则更能体现从头设计的技术实力。GPCR 是重要的药物靶点家族，其膜环境、构象变化和有限的胞外可结合区域，使针对这类靶点设计结合分子颇具难度。
此次评估涵盖 CCR7、CCR8、EP2、GPR68、NK3R 和 A2AR 六个 GPCR 靶点，六个项目全部获得实验确认的结合分子。
其中，两组结果尤其醒目： 针对 NK3R 测试的 30 个候选全部命中，命中率 100%；针对 GPR68 测试的 11 个候选有 10 个命中 。两者合计 41 个候选、40 个命中。GPR68 项目的最佳表观结合亲和力 KD 达到 12.1 nM。
这不是简单地把 “命中” 数字刷高。对复杂膜蛋白靶点而言，在极少实验候选中找到结合分子，本身就提高了从头设计路线的可信度。
报告还指出，在 Thera-SAbDab 指定版本数据库中未检索到已编目治疗性抗体先例的五个 GPCR 靶点上，89 个受测候选获得 53 个结合分子，候选命中率为 59.6%。
从 100% 的候选命中率，到在缺乏已知治疗性抗体先例的复杂靶点上成功发现结合分子，MMDesign 的突破不仅体现为单个分子的优异表现，更体现为其在高难度膜蛋白靶点上的广泛适用性，为 GPCR 等复杂靶点的抗体发现提供了新的技术路径，也进一步验证了 AI 从头设计在传统研发难点中的应用潜力。
从一次命中到广泛成功：可复用才是产业级平台的关键
对药企来说，一项 AI 技术能在某个靶点上取得突破固然重要，但长期合作更看重两件事：一是面对同一研发问题，能不能通过多轮迭代持续优化设计；二是面对不同的研发任务，平台能否重复应用。
在本次评估中，MMDesign 对六个此前已有设计成果的靶点进行新一轮设计，其中 五个项目实现了命中率、最佳亲和力或两者的进一步提升 。
例如 PDGFR 项目，候选命中率由 4.0% 提高至 21.1%，是之前的5.2倍；最佳KD37 nM，较上一轮150nM实现了4 倍提升。 这意味着平台并非只能依赖 “一轮定输赢”，也能够在同一研发问题上继续探索更优分子。
平台能力的适用范围还延伸到不同分子模态 。除纳米抗体外，报告中的两项大环肽从头设计均获得结合分子：MDM2 项目 21 个候选中 16 个命中，PD-L1 项目 28 个候选中 11 个命中，最佳报告 KD 分别为 13.7 μM 和 40.2 μM，表明相关设计及验证工作流已扩展到与 VHH 性质明显不同的分子类型。
从不同靶点上的广泛命中，到同一靶点新一轮设计中的表现提升，再到大环肽模态的拓展，MMDesign 展示的不再只是单次设计能力，而是面对不同研发任务时的适应性与持续优化潜力。对需要长期推进多个项目的药企而言，这种可复用能力，正是 AI 从头设计平台走向实际研发应用的重要基础。
不只要结合：MMDesign 的分子质量与模型优势
药物发现并不止于 “能不能结合”。一个有价值的早期命中分子，还要接受药物开发前的 “体检”—— 考察能否稳定表达、是否容易聚集、会不会误结合无关蛋白等可开发性问题。
根据报告，许多 MMDesign 设计的 VHH-Fc 候选分子能在 CHO 细胞中稳定表达，纯化后的分子能保持单体状态，聚集迹象较少，并在针对胰岛素和双链 DNA 的替代性检测中呈现较低非特异性反应。
这是积极的初步可开发性信号，意味着平台在追求结合活性的同时，进一步 兼顾了分子进入后续药物开发所需的关键性质 。
在 序列新颖性 方面，报告强调从头设计并非直接检索现有抗体序列、或以已知结合分子为起点进行局部突变；与 PDB、OAS 和 SAbDab 等数据库的对比显示了部分设计序列与识别区域的新颖性。这有望使 从头设计的突出价值 真正落地 —— 根据需求设计出新颖分子，拓展候选空间，并为差异化知识产权布局带来可能。
底层模型能力决定着 AI 从头设计效果，支撑 MMDesign 高效精准设计的，是 分子之心自研的结构预测模型 MMFold，同样展现出突出的性能 。
在 FoldBench 全部 172 个抗体 — 抗原界面的评估中，报告给出的 MMFold Top-1 预测总体成功率为 70.9%，高质量预测成功率为 39.0%，约为 AlphaFold 3 的 2 倍；在 160 个共同界面子集上，MMFold Top-1 高质量预测成功率为 39.4%，高于此前 OpenDDE 公布的 33.0% 与 Protenix-v2 公布的 28.2%。