即日起免费试用，性能超越谷歌AF3，国产AI蛋白质设计企业新模型

记者｜董温淑

编辑｜高宇雷

2024年10月，这一年度的诺贝尔化学奖落下帷幕，其中一半授予美国生物化学家和计算生物学家David Baker，以表彰他在计算蛋白质设计方面的贡献；另一半则共同授予Demis Hassabis和John M. Jumper，以表彰他们在蛋白质结构预方面的成就。

而Demis和John均是谷歌旗下人工智能实验室DeepMind的核心管理者与科学家。早在2018年，他们两人掌舵下的DeepMind宣布推出了蛋白质预测模型AlphaFold。

从那之后，用AI而非传统的实验室方式完成药物发现流程、以尽可能多地发现生物分子及提升准确性，就成了AI研究届的一门显学。如何能够在预测准确性、精度等各方面指标上追平和超越不断演进的AlphaFold，也成了市场的主流命题之一。

4月16日，国产AI蛋白质设计企业“百奥几何”宣布，全球首个全场景原子级蛋白质大模型“GeoFlow V2”正式发布。

百奥几何成立于2022年，由AI制药科学家、加拿大魁北克省人工智能研究中心终身教授唐建创办，并由加拿大计算科学家AIYoshua Bengio任首席科学顾问。2018年，AIYoshua曾与Geoffrey Hinton、杨立昆共同获得图灵奖。

相较当今业界主流模型“只能预测或只能生成”的单向性，GeoFlow V2首次实现了蛋白质结构预测与从头设计一体化 ，并在多项关键指标超越了AlphaFold3（2024年发布）等国际领先模型。

如官方数据显示， GeoFlow V2 在低同源抗原抗体数据集上的 Top-1 预测成功率（即置信度最高的模型和真实模型 DockQ\>0.23 的比例，下图左）达到 45%，显著领先 Chai-1 (33%)、Protenix (31%)、AFM2.3 (25%)等现有业界认可度最高的模型。在蛋白-小分子结构预测任务（下图右）中，GeoFlow V2 也有一流的表现。

（GeoFlow V2在抗原-抗体复合物和蛋白-小分子复合物结构预测上性能领先，图源/百奥几何）

并且，以往的蛋白质发现和设计，或依赖自然界进化出的复杂体系（如动物免疫发现抗体），或依赖高通量实验进行规模化试错（如饱和突变已有分子），或依赖领域专家经验进行理性设计。

相较之下，GeoFlow V2 更贴近实际应用场景，能够助力科学家们针对蛋白、小分子、DNA/RNA 等跨模态基底上指定的表位完成蛋白质的精准从头生成，有望将蛋白质设计推向可定义、可优化、可规模化量产的智能时代，为工业级蛋白设计应用带来更多从零到一的突破。

比如在抗体设计领域，相较传统的动物免疫及库筛选方法，GeoFlow 开辟了一条全新的抗体发现路径，让科学家可以不再依赖自然生命体免疫系统的力量进行抗体发现，而是通过生成式 AI 对于靶点表位的精准建模生成结合抗体，有望为难成药靶点、特殊表位及种属交叉抗体的发现带来变化。

百奥几何宣布，即日起，GeoFlow V2将 正式面向全球生物医药、合成生物、蛋白工程等相关领域的科研机构、行业专家、创新团队开放限时免费试用。